0. Hàm load các thư viện số học, dữ liệu, mảng và biểu đồ

import numpy as np
import pandas as pd
#pd.__version__
import seaborn as sns
from matplotlib import pyplot as plt

from statsmodels.tsa.api import ExponentialSmoothing, SimpleExpSmoothing, Holt
from sklearn.linear_model import LinearRegression

import warnings
warnings.filterwarnings('ignore')

1. Hàm load dữ liệu từ file CSV, định dạng số cột, dòng

df = pd.read_csv(r"C:\Python311\workspaces\m6B45.csv")
pd.set_option("display.max_rows",df.shape[0]+1)
pd.set_option("display.max_columns",60)
df

	Date	S01	S02	S03	S04	S05	S06	S07	S08	S09	S10	S11	S12	S13	S14	S15	S16	S17	S18	S19	S20	S21	S22	S23	S24	S25	S26	S27	S28	S29	S30	S31	S32	S33	S34	S35	S36	S37	S38	S39	S40	S41	S42	S43	S44	S45	ST	Link	Type	BD
0	24/9/2023	151	137	136	160	159	158	157	143	140	158	145	138	151	132	132	146	136	151	167	145	143	150	143	162	150	141	152	148	139	161	144	137	149	136	156	135	162	132	136	144	149	132	137	168	140	146.400000	https://vietlott/vn/vi/choi/mega-6-45/thong-ke...	M6B45	18/07/2016
1	27/9/2023	151	137	137	161	159	158	157	144	140	158	145	139	151	132	132	146	136	151	167	145	143	151	144	162	150	141	153	148	139	163	144	137	149	136	156	136	163	132	137	144	149	132	137	168	140	146.670000	NaN	NaN	NaN
2	29/9/2023	151	138	137	161	159	158	157	145	140	158	145	139	151	132	132	146	136	151	167	145	143	151	144	163	150	141	154	148	139	164	144	137	149	136	156	136	163	132	137	144	149	132	138	168	140	146.800000	NaN	NaN	NaN
3	1/10/2023	151	139	137	161	159	158	157	145	140	158	146	139	152	132	132	147	136	151	167	145	143	151	144	163	150	141	154	148	139	164	144	137	149	136	156	136	163	132	137	144	150	132	139	168	140	146.930000	NaN	NaN	NaN
4	4/10/2023	151	139	137	161	159	158	158	145	140	158	146	139	152	132	132	147	137	151	167	145	144	151	144	163	150	141	154	148	139	164	144	138	149	136	156	136	163	132	137	145	150	132	139	168	141	147.070000	NaN	NaN	NaN
5	6/10/2023	151	139	137	161	159	158	158	145	140	158	146	139	152	132	132	147	137	152	168	145	144	151	144	164	150	141	154	149	139	164	144	138	150	136	156	136	163	132	137	146	150	132	139	168	141	147.200000	NaN	NaN	NaN
6	8/10/2023	151	139	137	162	159	158	158	145	140	158	146	139	152	132	132	148	137	152	168	145	144	152	144	164	150	141	154	150	139	164	144	138	151	136	156	136	163	132	138	146	150	132	139	168	141	147.330000	NaN	NaN	NaN
7	13/10/2023	152	139	137	162	160	158	158	145	140	159	147	139	152	132	132	149	137	152	168	145	144	152	144	164	150	141	154	150	139	165	144	138	151	136	156	136	163	132	139	148	150	132	139	169	143	147.600000	NaN	NaN	NaN
8	15/10/2023	152	139	137	163	161	158	158	145	141	159	147	139	152	132	132	149	137	152	168	145	144	152	144	164	150	141	155	150	139	165	144	138	151	137	156	136	163	132	140	148	150	132	139	169	143	147.730000	NaN	NaN	NaN
9	18/10/2023	152	140	137	163	161	158	159	145	141	159	147	139	152	132	132	149	137	153	168	146	144	152	144	165	150	141	155	150	140	165	144	138	151	137	156	136	163	132	140	148	150	132	139	169	143	147.870000	NaN	NaN	NaN
10	20/10/2023	152	140	137	164	161	158	159	145	141	159	147	139	152	132	132	150	137	153	168	146	145	152	144	166	150	142	155	150	140	165	144	138	151	137	156	136	164	132	140	148	150	132	139	169	143	148.000000	NaN	NaN	NaN
11	22/10/2023	152	140	137	164	161	158	159	145	141	160	147	139	153	133	132	150	137	153	169	146	145	152	144	166	150	142	155	150	140	165	144	138	151	137	157	136	164	132	140	149	150	132	139	169	143	148.130000	NaN	NaN	NaN
12	25/10/2023	152	140	137	165	161	159	159	145	141	160	147	139	154	133	132	150	137	153	169	146	145	152	144	166	151	142	155	150	140	165	145	138	151	137	157	136	164	132	140	149	151	132	139	169	143	148.270000	NaN	NaN	NaN
13	27/10/2023	152	140	137	165	161	159	160	145	141	161	147	139	154	134	132	150	137	153	169	146	146	152	144	166	151	143	155	150	140	165	145	138	151	137	157	136	165	132	140	149	151	132	139	169	143	148.400000	NaN	NaN	NaN
14	29/10/2023	152	140	137	165	162	159	161	145	141	161	147	139	154	134	133	150	137	153	169	146	147	152	144	166	151	143	155	150	140	165	145	139	151	137	157	136	165	132	140	149	151	132	139	169	144	148.530000	NaN	NaN	NaN
15	1/11/2023	153	140	138	165	162	159	161	145	141	161	147	139	154	134	134	151	137	153	169	146	147	152	145	166	151	143	155	151	140	165	145	139	151	137	157	136	165	132	140	149	151	132	139	169	144	148.670000	NaN	NaN	NaN
16	3/11/2023	153	141	138	165	162	159	162	145	142	161	147	139	155	134	134	151	137	153	169	146	147	153	145	166	151	143	155	151	140	165	145	139	151	137	157	136	165	133	140	149	151	132	139	169	144	148.800000	NaN	NaN	NaN
17	5/11/2023	154	141	138	165	162	159	162	145	142	161	147	139	156	134	134	152	137	154	169	146	147	153	146	166	152	143	155	151	140	165	145	139	151	137	157	136	165	133	140	149	151	132	139	169	144	148.933333	NaN	NaN	NaN
18	8/11/2023	154	141	138	165	162	159	163	145	142	161	147	139	156	134	134	152	137	154	169	147	147	153	147	166	152	143	156	151	140	165	146	139	152	137	157	136	165	133	140	149	151	132	139	169	144	149.070000	NaN	NaN	NaN
19	10/11/2023	155	141	138	166	162	159	163	145	142	162	147	139	157	135	134	152	137	154	169	147	147	153	147	166	152	143	156	151	140	165	146	139	152	137	157	136	165	133	140	149	151	132	139	170	144	149.200000	NaN	NaN	NaN
20	12/11/2023	155	142	138	167	162	159	163	145	142	163	147	139	157	135	135	152	137	154	169	147	147	153	147	166	152	143	157	151	140	165	147	139	152	137	157	136	165	133	140	149	151	132	139	170	144	149.330000	NaN	NaN	NaN
21	15/11/2023	155	143	139	167	162	159	163	145	142	163	147	140	157	135	135	153	137	154	169	147	147	153	147	166	152	143	157	151	140	166	147	139	152	137	157	136	166	133	140	149	151	132	139	170	144	149.466667	NaN	NaN	NaN
22	17/11/2023	155	143	139	167	162	159	163	145	142	163	147	140	157	135	135	154	137	154	169	148	147	153	147	166	153	144	157	151	140	166	147	139	152	137	157	137	166	133	140	149	152	132	139	170	144	149.600000	NaN	NaN	NaN
23	19/11/2023	156	143	140	167	162	159	163	145	142	163	147	140	157	135	135	154	137	154	170	149	147	153	147	166	153	145	157	151	140	166	147	139	152	138	157	137	166	133	140	149	152	132	139	170	144	149.733333	NaN	NaN	NaN
24	22/11/2023	156	143	140	167	162	159	163	145	142	163	147	140	157	135	136	154	137	155	170	150	147	153	148	166	153	145	157	151	140	166	147	139	152	138	157	137	167	133	141	149	152	132	139	170	144	149.866667	NaN	NaN	NaN
25	24/11/2023	156	143	140	167	163	159	163	145	142	163	147	140	157	135	136	154	137	156	170	150	147	154	148	166	153	145	157	151	140	166	147	139	152	139	157	137	167	133	141	149	153	132	139	170	145	150.000000	NaN	NaN	NaN
26	26/11/2023	156	143	140	168	163	160	163	145	142	163	147	140	157	135	137	154	137	156	170	150	147	154	149	166	154	145	157	151	140	166	147	139	152	139	157	138	167	133	141	149	153	132	139	170	145	150.133333	NaN	NaN	NaN
27	29/11/2023	156	143	140	168	163	160	163	145	143	163	147	140	157	135	137	154	137	156	170	150	147	155	149	167	154	145	157	151	140	166	147	140	152	139	157	138	167	134	142	149	153	132	139	170	145	150.266667	NaN	NaN	NaN
28	1/12/2023	156	143	140	168	164	160	163	145	143	164	147	140	157	136	137	154	137	156	170	150	148	155	149	167	154	145	158	151	140	166	147	141	152	139	157	138	167	134	142	149	153	132	139	170	145	150.400000	NaN	NaN	NaN
29	3/12/2023	156	143	140	168	164	160	163	145	143	164	147	141	157	137	137	155	137	156	170	150	149	155	149	167	154	145	158	151	141	166	147	142	152	139	157	138	167	134	142	149	153	132	139	170	145	150.533333	NaN	NaN	NaN
30	6/12/2023	156	143	140	168	164	160	163	145	143	164	147	141	157	137	137	155	137	157	171	151	149	155	149	167	154	145	158	151	142	166	147	142	152	139	157	138	167	134	142	149	154	133	139	170	145	150.666667	NaN	NaN	NaN
31	8/12/2023	156	143	140	168	164	160	163	145	143	164	148	141	157	137	138	156	138	157	171	151	149	155	149	167	154	145	158	151	142	166	147	142	152	139	157	138	167	134	142	149	154	134	140	170	145	150.800000	NaN	NaN	NaN
32	10/12/2023	156	143	140	168	164	160	163	145	144	165	149	141	157	137	138	156	139	157	171	151	149	155	149	167	154	145	158	151	142	166	147	142	152	139	157	138	167	134	142	149	155	134	140	171	145	150.933333	NaN	NaN	NaN
33	13/12/2023	156	143	141	168	164	160	164	145	144	165	150	141	157	137	138	156	139	157	171	152	149	155	149	167	154	145	158	152	142	166	147	142	152	139	157	138	167	134	142	149	155	134	140	172	145	151.066667	NaN	NaN	NaN
34	15/12/2023	157	143	141	168	165	160	164	145	144	166	151	141	157	137	138	156	139	157	171	153	149	155	149	167	154	145	158	152	142	166	147	142	152	139	157	138	167	134	142	150	155	134	140	172	145	151.200000	NaN	NaN	NaN
35	17/12/2023	157	143	142	168	165	160	165	145	144	166	151	141	157	137	138	156	139	158	171	154	149	155	149	167	154	145	158	152	142	166	148	142	153	139	157	138	167	134	142	150	155	134	140	172	145	151.333333	NaN	NaN	NaN
36	20/12/2023	157	143	142	168	166	160	165	145	144	166	151	141	157	137	139	157	139	158	171	154	150	156	149	167	154	145	158	152	142	166	148	143	153	139	157	138	167	134	142	150	155	134	140	172	145	151.466667	NaN	NaN	NaN
37	22/12/2023	157	144	142	168	166	160	165	145	144	166	151	142	157	138	139	158	139	158	171	154	150	156	149	167	154	145	158	152	142	166	148	143	153	140	157	138	167	135	142	150	155	134	140	172	145	151.600000	NaN	NaN	NaN
38	24/12/2023	158	145	142	168	167	160	165	145	144	166	151	142	157	138	139	158	139	158	171	154	150	156	149	168	154	145	158	152	142	166	148	143	153	140	157	138	167	135	142	151	155	134	141	172	145	151.733333	NaN	NaN	NaN
39	27/12/2023	158	145	142	168	167	160	165	146	144	166	151	142	157	138	139	159	139	158	171	154	150	156	150	168	154	145	158	152	142	166	148	143	153	141	157	139	167	135	143	151	155	134	141	172	145	151.866667	NaN	NaN	NaN
40	29/12/2023	158	145	142	168	167	160	165	146	144	166	151	142	157	138	139	160	139	158	171	155	150	157	150	168	154	145	158	152	142	166	148	143	153	141	158	139	168	135	144	151	155	134	141	172	145	152.000000	NaN	NaN	NaN
41	31/12/2023	158	145	142	168	167	160	165	146	144	166	151	142	158	139	139	160	139	158	171	155	150	157	151	168	155	145	158	152	142	166	148	143	153	142	158	139	168	135	144	151	155	134	141	173	145	152.133333	NaN	NaN	NaN
42	3/1/2024	158	145	142	168	167	160	165	146	145	166	151	142	158	140	139	160	139	158	172	156	150	157	151	168	155	145	158	152	143	166	148	143	153	142	158	139	168	135	144	152	155	134	141	173	145	152.266667	NaN	NaN	NaN
43	5/1/2024	158	145	142	168	167	160	165	146	146	166	151	142	158	140	139	161	139	158	172	156	150	157	151	168	155	145	158	152	144	166	149	143	154	142	158	139	168	135	144	152	155	135	141	173	145	152.400000	NaN	NaN	NaN
44	7/1/2024	158	145	143	169	167	160	165	146	146	166	151	142	158	140	140	161	139	159	172	156	150	157	151	168	155	145	158	152	144	166	149	143	154	142	158	140	168	135	144	152	155	135	141	173	146	152.533333	NaN	NaN	NaN
45	10/1/2024	158	145	143	169	167	160	165	146	146	167	151	143	158	140	140	161	139	160	173	156	150	157	151	168	155	145	158	152	145	166	149	143	154	142	158	140	168	135	144	152	155	135	142	173	146	152.666667	NaN	NaN	NaN
46	12/1/2024	158	145	143	169	167	160	165	146	146	168	152	143	158	140	140	161	139	160	173	157	150	157	151	168	155	145	159	152	145	166	149	143	154	142	158	140	168	135	145	152	155	135	143	173	146	152.800000	NaN	NaN	NaN
47	14/1/2024	158	146	143	169	167	160	165	147	146	168	152	143	158	140	140	161	139	160	174	158	150	157	151	169	155	145	159	152	145	166	149	143	154	142	158	140	168	135	145	152	155	136	143	173	146	152.933333	NaN	NaN	NaN
48	17/1/2024	158	146	143	169	167	160	165	147	146	168	152	143	158	141	140	161	139	160	175	158	151	157	151	169	155	145	159	152	145	166	149	143	154	142	158	141	168	135	145	152	155	136	144	174	146	153.066667	NaN	NaN	NaN
49	19/1/2024	158	146	143	169	167	160	165	148	146	168	152	143	158	141	141	161	139	160	175	159	151	157	151	170	155	145	159	152	145	166	149	143	154	142	158	141	168	135	145	152	155	136	145	175	146	153.200000	NaN	NaN	NaN
50	21/1/2024	158	146	143	169	167	160	165	148	146	168	153	143	158	141	141	161	139	160	175	160	151	158	152	170	155	146	159	152	145	166	150	143	154	142	158	141	168	135	145	152	155	136	145	175	146	153.333333	NaN	NaN	NaN
51	24/1/2024	158	146	143	169	167	160	166	148	146	168	153	143	158	141	141	161	139	160	175	160	151	158	152	170	155	146	160	152	145	167	150	143	154	142	158	142	168	135	146	152	155	136	145	175	147	153.466667	NaN	NaN	NaN
52	26/1/2024	158	146	143	169	167	160	166	149	146	168	153	143	158	141	141	161	139	160	176	160	151	159	152	170	155	146	161	152	145	167	151	143	154	142	159	142	168	135	146	152	155	136	145	175	147	153.600000	NaN	NaN	NaN
53	28/1/2024	158	146	144	169	167	160	166	149	146	168	153	143	158	141	141	161	139	160	176	160	151	159	153	170	156	146	161	152	146	167	151	143	154	142	159	143	168	135	146	152	156	136	146	175	147	153.755556	NaN	NaN	NaN
54	31/1/2024	158	146	144	169	167	160	166	149	147	168	154	143	158	141	142	161	139	160	176	160	151	159	153	170	156	146	161	152	146	167	151	143	154	142	160	143	168	136	146	152	157	136	146	175	147	153.888889	NaN	NaN	NaN
55	2/2/2024	159	146	144	169	167	160	166	149	147	168	154	143	158	141	143	161	139	160	176	160	151	159	153	170	156	146	161	152	147	167	152	144	154	143	160	143	168	136	146	152	157	136	146	175	147	154.022222	NaN	NaN	NaN
56	4/2/2024	159	146	144	169	167	160	166	149	148	168	154	143	158	141	144	161	139	160	176	160	152	159	153	170	156	146	161	152	148	167	152	144	155	143	160	143	168	136	147	152	157	136	146	175	147	154.155556	NaN	NaN	NaN
57	7/2/2024	159	146	144	169	167	160	166	149	148	168	154	143	158	141	144	161	140	160	176	160	153	159	153	171	157	146	161	152	148	167	152	144	155	143	160	143	168	136	148	152	157	137	146	175	147	154.288889	NaN	NaN	NaN
58	11/2/2024	159	146	144	169	167	160	167	149	148	168	154	143	158	141	144	161	140	161	176	160	153	159	153	171	157	146	161	152	148	167	153	144	156	143	161	143	168	136	148	152	158	137	146	175	147	154.422222	NaN	NaN	NaN
59	14/2/2024	159	146	144	169	167	160	167	150	149	168	155	144	158	141	144	161	140	161	176	160	153	159	153	171	157	146	161	152	148	167	153	144	156	143	161	143	168	136	148	153	158	137	146	176	147	154.555556	NaN	NaN	NaN
60	16/2/2024	159	146	144	169	167	161	167	150	149	169	155	144	158	141	144	162	140	161	176	161	153	159	153	171	157	146	161	152	148	167	153	144	156	143	161	143	168	136	148	154	158	138	146	176	147	154.688889	NaN	NaN	NaN
61	18/2/2024	159	146	144	169	168	161	167	150	149	169	155	144	158	141	144	162	140	161	177	162	154	159	153	172	157	146	161	152	148	167	153	144	156	143	161	143	168	136	148	155	158	138	146	176	147	154.822222	NaN	NaN	NaN
62	21/2/2024	159	147	144	169	168	161	167	151	149	169	155	144	158	142	144	162	140	161	178	162	154	159	153	173	157	146	161	152	148	167	153	144	156	143	161	143	168	136	148	155	158	139	146	176	147	154.955556	NaN	NaN	NaN
63	23/2/2024	159	147	144	170	168	161	167	151	149	169	155	144	158	142	144	162	141	161	179	162	154	159	153	173	157	146	162	153	148	167	153	144	156	143	161	144	168	136	148	155	158	139	146	176	147	155.088889	NaN	NaN	NaN

2. Hàm định dạng lại đúng, kiểm tra kiểu Ngày/Tháng/Năm - dd/mm/yyyy

# Chuyển đổi cột ngày tháng thành định dạng 'yyyy/mm/dd'

df['Date'] = pd.to_datetime(df['Date'], format='%d/%m/%Y')

# Hiển thị DataFrame đã chuyển đổi
print(f"Date range of gold from - {df.loc[:,'Date'][0]} to {df.loc[:,'Date'][len(df)-1]}")

# Tạo DatetimeIndex từ '9/28/2023' đến ngày cuối cùng trong DataFrame df
daterange = pd.date_range(start='9/24/2023', end=df.loc[:, 'Date'].iloc[-1], freq='D')
formatted_date = daterange.strftime('%d/%m/%Y')
# Thay thế ngày cuối cùng bằng ngày trong DataFrame df
print(formatted_date)

Date range of gold from - 2023-09-24 00:00:00 to 2024-02-23 00:00:00
Index(['24/09/2023', '25/09/2023', '26/09/2023', '27/09/2023', '28/09/2023',
       '29/09/2023', '30/09/2023', '01/10/2023', '02/10/2023', '03/10/2023',
       ...
       '14/02/2024', '15/02/2024', '16/02/2024', '17/02/2024', '18/02/2024',
       '19/02/2024', '20/02/2024', '21/02/2024', '22/02/2024', '23/02/2024'],
      dtype='object', length=153)

3. Các Hàm thủ tục Kiểm tra Dữ liệu --> Validate and Cleaning Data

3.1. Hàm chống trùng lặp dữ liệu

df = df.drop_duplicates()
df.shape

(64, 50)

3. Các Hàm thủ tục Kiểm tra Dữ liệu --> Validate and Cleaning Data

3.2. Hàm matplotlib.pyplot vẽ biểu đồ kiểm tra tính logic của dữ liệu

import pandas as pd
import matplotlib.pyplot as plt

# Đọc dữ liệu từ file csv
data = pd.read_csv(r"C:\Python311\workspaces\m6B45.csv")
# Thiết lập kích thước biểu đồ
plt.figure(figsize=(10, 6))

# Vẽ các đường line từ S01 đến S45
for column in data.columns[1:46]:
    plt.plot(data['Date'], data[column], label=column)

# Thiết lập tiêu đề và các trục
plt.title('Biểu đồ thống kê số lần')
plt.xlabel('Ngày')
plt.ylabel('Số lần')

# Xoay đứng trục ngày tháng
plt.xticks(rotation='vertical')

# Hiển thị grid
plt.grid(True)

# Hiển thị chú thích
plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left')

# Hiển thị biểu đồ
plt.show()

3. Các Hàm thủ tục Kiểm tra Dữ liệu --> Validate and Cleaning Data

3.3. Hàm describe() tính toán các chỉ số max, min, 25% tối thiểu, 50% trung bình, 75% hiệu suất để kiểm tra tính hợp lệ của dữ liệu

round(df.describe(),2)

	Date	S01	S02	S03	S04	S05	S06	S07	S08	S09	S10	S11	S12	S13	S14	S15	S16	S17	S18	S19	S20	S21	S22	S23	S24	S25	S26	S27	S28	S29	S30	S31	S32	S33	S34	S35	S36	S37	S38	S39	S40	S41	S42	S43	S44	S45	ST
count	64	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.0	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00	64.00
mean	2023-12-09 03:00:00	155.75	143.02	140.48	166.73	164.08	159.47	163.08	146.14	143.73	164.08	149.55	141.00	156.14	136.84	137.38	155.5	138.08	156.44	171.36	152.27	148.44	155.05	148.56	167.27	153.44	144.16	157.48	151.09	142.34	165.70	147.64	140.98	152.55	139.44	157.64	138.58	166.30	133.91	142.34	149.88	153.48	133.84	141.08	171.50	144.62	150.85
min	2023-09-24 00:00:00	151.00	137.00	136.00	160.00	159.00	158.00	157.00	143.00	140.00	158.00	145.00	138.00	151.00	132.00	132.00	146.0	136.00	151.00	167.00	145.00	143.00	150.00	143.00	162.00	150.00	141.00	152.00	148.00	139.00	161.00	144.00	137.00	149.00	136.00	156.00	135.00	162.00	132.00	136.00	144.00	149.00	132.00	137.00	168.00	140.00	146.40
25%	2023-11-02 12:00:00	153.00	140.75	138.00	165.00	162.00	159.00	161.75	145.00	141.75	161.00	147.00	139.00	154.75	134.00	134.00	151.0	137.00	153.00	169.00	146.00	147.00	152.75	145.00	166.00	151.00	143.00	155.00	151.00	140.00	165.00	145.00	139.00	151.00	137.00	157.00	136.00	165.00	132.75	140.00	149.00	151.00	132.00	139.00	169.00	144.00	148.77
50%	2023-12-09 00:00:00	156.00	143.00	140.00	168.00	164.00	160.00	163.00	145.00	143.50	164.50	148.50	141.00	157.00	137.00	138.00	156.0	138.50	157.00	171.00	151.00	149.00	155.00	149.00	167.00	154.00	145.00	158.00	151.00	142.00	166.00	147.00	142.00	152.00	139.00	157.00	138.00	167.00	134.00	142.00	149.00	154.50	134.00	140.00	170.50	145.00	150.87
75%	2024-01-14 18:00:00	158.00	146.00	143.00	169.00	167.00	160.00	165.00	147.00	146.00	168.00	152.00	143.00	158.00	140.25	140.00	161.0	139.00	160.00	174.25	158.00	150.25	157.00	151.00	169.00	155.00	145.00	159.00	152.00	145.00	166.00	149.00	143.00	154.00	142.00	158.00	140.25	168.00	135.00	145.00	152.00	155.00	136.00	143.25	173.25	146.00	152.97
max	2024-02-23 00:00:00	159.00	147.00	144.00	170.00	168.00	161.00	167.00	151.00	149.00	169.00	155.00	144.00	158.00	142.00	144.00	162.0	141.00	161.00	179.00	162.00	154.00	159.00	153.00	173.00	157.00	146.00	162.00	153.00	148.00	167.00	153.00	144.00	156.00	143.00	161.00	144.00	168.00	136.00	148.00	155.00	158.00	139.00	146.00	176.00	147.00	155.09
std	NaN	2.77	2.75	2.67	2.69	2.97	0.87	3.03	1.88	2.76	3.63	3.13	1.81	2.33	3.41	4.05	5.2	1.26	3.30	3.18	5.89	3.03	2.78	3.29	2.52	2.29	1.75	2.42	1.20	3.04	1.09	2.82	2.43	1.85	2.53	1.47	2.65	1.88	1.44	3.27	2.55	2.72	2.08	2.86	2.64	1.94	2.51

3. Các Hàm thủ tục Kiểm tra Dữ liệu --> Validate and Cleaning Data

3.4. Hàm columns kiểm tra xác định tên Trường dữ liệu

df.columns

Index(['Date', 'S01', 'S02', 'S03', 'S04', 'S05', 'S06', 'S07', 'S08', 'S09',
       'S10', 'S11', 'S12', 'S13', 'S14', 'S15', 'S16', 'S17', 'S18', 'S19',
       'S20', 'S21', 'S22', 'S23', 'S24', 'S25', 'S26', 'S27', 'S28', 'S29',
       'S30', 'S31', 'S32', 'S33', 'S34', 'S35', 'S36', 'S37', 'S38', 'S39',
       'S40', 'S41', 'S42', 'S43', 'S44', 'S45', 'ST', 'Link', 'Type', 'BD'],
      dtype='object')

3. Các Hàm thủ tục Kiểm tra Dữ liệu --> Validate and Cleaning Data

3.5. Hàm info() kiểm tra phân loại Kiểu dữ liệu non-null, dtypes: datetime64[ns](1), float64(1), int64(55), object(3)

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 64 entries, 0 to 63
Data columns (total 50 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   Date    64 non-null     datetime64[ns]
 1   S01     64 non-null     int64         
 2   S02     64 non-null     int64         
 3   S03     64 non-null     int64         
 4   S04     64 non-null     int64         
 5   S05     64 non-null     int64         
 6   S06     64 non-null     int64         
 7   S07     64 non-null     int64         
 8   S08     64 non-null     int64         
 9   S09     64 non-null     int64         
 10  S10     64 non-null     int64         
 11  S11     64 non-null     int64         
 12  S12     64 non-null     int64         
 13  S13     64 non-null     int64         
 14  S14     64 non-null     int64         
 15  S15     64 non-null     int64         
 16  S16     64 non-null     int64         
 17  S17     64 non-null     int64         
 18  S18     64 non-null     int64         
 19  S19     64 non-null     int64         
 20  S20     64 non-null     int64         
 21  S21     64 non-null     int64         
 22  S22     64 non-null     int64         
 23  S23     64 non-null     int64         
 24  S24     64 non-null     int64         
 25  S25     64 non-null     int64         
 26  S26     64 non-null     int64         
 27  S27     64 non-null     int64         
 28  S28     64 non-null     int64         
 29  S29     64 non-null     int64         
 30  S30     64 non-null     int64         
 31  S31     64 non-null     int64         
 32  S32     64 non-null     int64         
 33  S33     64 non-null     int64         
 34  S34     64 non-null     int64         
 35  S35     64 non-null     int64         
 36  S36     64 non-null     int64         
 37  S37     64 non-null     int64         
 38  S38     64 non-null     int64         
 39  S39     64 non-null     int64         
 40  S40     64 non-null     int64         
 41  S41     64 non-null     int64         
 42  S42     64 non-null     int64         
 43  S43     64 non-null     int64         
 44  S44     64 non-null     int64         
 45  S45     64 non-null     int64         
 46  ST      64 non-null     float64       
 47  Link    1 non-null      object        
 48  Type    1 non-null      object        
 49  BD      1 non-null      object        
dtypes: datetime64[ns](1), float64(1), int64(45), object(3)
memory usage: 25.1+ KB

3. Các Hàm thủ tục Kiểm tra Dữ liệu --> Validate and Cleaning Data

3.6. Hàm .isnull().sum() kiểm tra các giá trị supervisor nhập vào thiếu/đủ/thừa giá trị

df.isnull().sum()

Date     0
S01      0
S02      0
S03      0
S04      0
S05      0
S06      0
S07      0
S08      0
S09      0
S10      0
S11      0
S12      0
S13      0
S14      0
S15      0
S16      0
S17      0
S18      0
S19      0
S20      0
S21      0
S22      0
S23      0
S24      0
S25      0
S26      0
S27      0
S28      0
S29      0
S30      0
S31      0
S32      0
S33      0
S34      0
S35      0
S36      0
S37      0
S38      0
S39      0
S40      0
S41      0
S42      0
S43      0
S44      0
S45      0
ST       0
Link    63
Type    63
BD      63
dtype: int64

3. Các Hàm thủ tục Kiểm tra Dữ liệu --> Validate and Cleaning Data

3.7. Hàm .isnull() kiểm tra các giá trị supervisor nhập vào sai/đúng kiểu giá trị

df.isnull()

	Date	S01	S02	S03	S04	S05	S06	S07	S08	S09	S10	S11	S12	S13	S14	S15	S16	S17	S18	S19	S20	S21	S22	S23	S24	S25	S26	S27	S28	S29	S30	S31	S32	S33	S34	S35	S36	S37	S38	S39	S40	S41	S42	S43	S44	S45	ST	Link	Type	BD
0	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False
1	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
2	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
3	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
4	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
5	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
6	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
7	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
8	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
9	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
10	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
11	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
12	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
13	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
14	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
15	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
16	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
17	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
18	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
19	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
20	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
21	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
22	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
23	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
24	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
25	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
26	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
27	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
28	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
29	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
30	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
31	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
32	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
33	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
34	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
35	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
36	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
37	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
38	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
39	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
40	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
41	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
42	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
43	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
44	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
45	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
46	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
47	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
48	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
49	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
50	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
51	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
52	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
53	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
54	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
55	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
56	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
57	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
58	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
59	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
60	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
61	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
62	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True
63	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	True	True

3. Các Hàm thủ tục Kiểm tra Dữ liệu --> Validate and Cleaning Data

3.8. Hàm .duplicated().sum() kiểm tra các giá trị, tổng supervisor nhập vào bị trùng lặp giá trị

df.duplicated().sum()

0

3. Các Hàm thủ tục Kiểm tra Dữ liệu --> Validate and Cleaning Data

3.9. Hàm describe().T Bảng mở rộng tính toán các chỉ số: - max, - min, - 25% tối thiểu, - 50% trung bình, - 75% hiệu suất để kiểm tra tính hợp lệ của dữ liệu

#EDA --> Explorer Data Analysis:
import pandas as pd

# Đặt display.max_rows thành một số lớn hơn số hàng trong DataFrame
pd.set_option("display.max_rows", df.shape[0] + 1)
pd.set_option("display.max_columns", 60)

# Hiển thị mô tả thống kê với tất cả các hàng giá trị
#df.describe()
round(df.describe().T,2)
# Trong hàm df.describe().T, cột "std" đại diện cho độ lệch chuẩn (standard deviation) của dữ liệu trong các cột tương ứng.
# Độ lệch chuẩn là một số đo mô tả mức độ phân tán của dữ liệu xung quanh giá trị trung bình.
# Công thức tính độ lệch chuẩn là căn bậc hai của phương sai (variance), và được tính bằng cách lấy căn bậc hai của trung bình của 
# bình phương của độ lệch của mỗi giá trị dữ liệu so với giá trị trung bình. Công thức chính xác như sau:
# std = sqrt(mean((x - x.mean())**2))
# Trong trường hợp của bạn, giá trị "std" là 1.8959 cho một cột và 2.03572 cho cột khác. 
# Khi so sánh giá trị độ lệch chuẩn giữa các cột, giá trị lớn hơn có nghĩa là dữ liệu trong cột đó có mức độ phân tán lớn hơn so với cột khác.

	count	mean	min	25%	50%	75%	max	std
Date	64	2023-12-09 03:00:00	2023-09-24 00:00:00	2023-11-02 12:00:00	2023-12-09 00:00:00	2024-01-14 18:00:00	2024-02-23 00:00:00	NaN
S01	64.0	155.75	151.0	153.0	156.0	158.0	159.0	2.766007
S02	64.0	143.015625	137.0	140.75	143.0	146.0	147.0	2.751578
S03	64.0	140.484375	136.0	138.0	140.0	143.0	144.0	2.66662
S04	64.0	166.734375	160.0	165.0	168.0	169.0	170.0	2.691799
S05	64.0	164.078125	159.0	162.0	164.0	167.0	168.0	2.972384
S06	64.0	159.46875	158.0	159.0	160.0	160.0	161.0	0.872303
S07	64.0	163.078125	157.0	161.75	163.0	165.0	167.0	3.025315
S08	64.0	146.140625	143.0	145.0	145.0	147.0	151.0	1.8845
S09	64.0	143.734375	140.0	141.75	143.5	146.0	149.0	2.761655
S10	64.0	164.078125	158.0	161.0	164.5	168.0	169.0	3.626642
S11	64.0	149.546875	145.0	147.0	148.5	152.0	155.0	3.126587
S12	64.0	141.0	138.0	139.0	141.0	143.0	144.0	1.80827
S13	64.0	156.140625	151.0	154.75	157.0	158.0	158.0	2.329025
S14	64.0	136.84375	132.0	134.0	137.0	140.25	142.0	3.409691
S15	64.0	137.375	132.0	134.0	138.0	140.0	144.0	4.053217
S16	64.0	155.5	146.0	151.0	156.0	161.0	162.0	5.203784
S17	64.0	138.078125	136.0	137.0	138.5	139.0	141.0	1.263714
S18	64.0	156.4375	151.0	153.0	157.0	160.0	161.0	3.29923
S19	64.0	171.359375	167.0	169.0	171.0	174.25	179.0	3.184123
S20	64.0	152.265625	145.0	146.0	151.0	158.0	162.0	5.885797
S21	64.0	148.4375	143.0	147.0	149.0	150.25	154.0	3.033543
S22	64.0	155.046875	150.0	152.75	155.0	157.0	159.0	2.779915
S23	64.0	148.5625	143.0	145.0	149.0	151.0	153.0	3.289594
S24	64.0	167.265625	162.0	166.0	167.0	169.0	173.0	2.521288
S25	64.0	153.4375	150.0	151.0	154.0	155.0	157.0	2.294749
S26	64.0	144.15625	141.0	143.0	145.0	145.0	146.0	1.747731
S27	64.0	157.484375	152.0	155.0	158.0	159.0	162.0	2.423379
S28	64.0	151.09375	148.0	151.0	151.0	152.0	153.0	1.204736
S29	64.0	142.34375	139.0	140.0	142.0	145.0	148.0	3.035341
S30	64.0	165.703125	161.0	165.0	166.0	166.0	167.0	1.0937
S31	64.0	147.640625	144.0	145.0	147.0	149.0	153.0	2.819249
S32	64.0	140.984375	137.0	139.0	142.0	143.0	144.0	2.426652
S33	64.0	152.546875	149.0	151.0	152.0	154.0	156.0	1.851037
S34	64.0	139.4375	136.0	137.0	139.0	142.0	143.0	2.525269
S35	64.0	157.640625	156.0	157.0	157.0	158.0	161.0	1.473223
S36	64.0	138.578125	135.0	136.0	138.0	140.25	144.0	2.647579
S37	64.0	166.296875	162.0	165.0	167.0	168.0	168.0	1.88292
S38	64.0	133.90625	132.0	132.75	134.0	135.0	136.0	1.444406
S39	64.0	142.34375	136.0	140.0	142.0	145.0	148.0	3.267049
S40	64.0	149.875	144.0	149.0	149.0	152.0	155.0	2.554175
S41	64.0	153.484375	149.0	151.0	154.5	155.0	158.0	2.719665
S42	64.0	133.84375	132.0	132.0	134.0	136.0	139.0	2.07952
S43	64.0	141.078125	137.0	139.0	140.0	143.25	146.0	2.86359
S44	64.0	171.5	168.0	169.0	170.5	173.25	176.0	2.636737
S45	64.0	144.625	140.0	144.0	145.0	146.0	147.0	1.939563
ST	64.0	150.853819	146.4	148.7675	150.866667	152.966667	155.088889	2.514648

3. Các Hàm thủ tục Kiểm tra Dữ liệu --> Vaidate and Cleaning Data

3.10. Hàm describe(include="object") kiểm tra tính hợp lệ của dữ liệu dạng Object gồm: string, blob, clob, vchar

df.describe(include="object")

	Link	Type	BD
count	1	1	1
unique	1	1	1
top	https://vietlott/vn/vi/choi/mega-6-45/thong-ke...	M6B45	18/07/2016
freq	1	1	1

4. Các Hàm thủ tục Thống kê và Phân tích Dữ liệu --> Analytics/Statistic Data

4.1. Hàm sns.kdeplot Biểu diễn mật độ và độ thay đổi dữ liệu số

import warnings
warnings.filterwarnings('ignore')
for i in df.select_dtypes(include="number").columns:
    plt.figure(figsize=(15,6))
    sns.kdeplot(data=df,x=i)
    plt.grid()
    plt.show()

#Liet ke cac so  theo mật độ = số lần xuất hiện thay đổi
# lệch phải : 08 --> hầu như không có lần nào thay đổi sau 35 lần gần nhất thống kê.

4. Các Hàm thủ tục Thống kê và Phân tích Dữ liệu --> Analytics/Statistic Data

4.2. Hàm sns.kdeplot mở rộng so sánh với Giá trị thực để xác định độ thay đổi dữ liệu số

#Để vẽ đồ thị mật độ (density plot) kèm theo độ lệch chuẩn (standard deviation),
#bạn có thể sử dụng thư viện seaborn và matplotlib trong Python. Dưới đây là một ví dụ về cách thực hiện điều này:
# Trong đoạn mã trên, chúng ta sử dụng vòng lặp để duyệt qua từng cột là kiểu dữ liệu số trong dataframe (df).
#Sau đó, chúng ta vẽ đồ thị mật độ bằng hàm kdeplot từ thư viện seaborn. 
#Để xác định độ lệch chuẩn, chúng ta sử dụng hàm mean() để tính giá trị trung bình và hàm std() 
#để tính độ lệch chuẩn của cột tương ứng. Cuối cùng, chúng ta sử dụng hàm axvline() từ matplotlib 
#để vẽ các đường dọc đại diện cho giá trị trung bình và độ lệch chuẩn.
# Lưu ý rằng đoạn mã trên giả định rằng dữ liệu trong dataframe của bạn đã được đọc và xử lý đúng cách trước đó.

import seaborn as sns
import matplotlib.pyplot as plt

# Vẽ đồ thị mật độ kèm theo độ lệch chuẩn
for col in df.select_dtypes(include="number").columns:
    plt.figure(figsize=(15, 6))
    sns.kdeplot(data=df, x=col)
    mean = df[col].mean()
    std = df[col].std()
    plt.axvline(x=mean, color='r', linestyle='--', label='Mean')
    plt.axvline(x=mean + std, color='g', linestyle='--', label='Mean + Std')
    plt.axvline(x=mean - std, color='g', linestyle='--', label='Mean - Std')
    plt.legend()
    plt.show

# Các tình huống trên biểu đồ và các legend được sử dụng để biểu thị giá trị trung bình và độ lệch chuẩn của dữ liệu trong cột tương ứng.
# Legend "Mean" (giá trị trung bình): Đường dọc đại diện cho giá trị trung bình của dữ liệu trong cột. 
# Nó giúp xác định giá trị trung bình của phân phối dữ liệu trên biểu đồ.
# Legend "Mean + Std" (giá trị trung bình + độ lệch chuẩn): Đường dọc đại diện cho giá trị trung bình cộng với độ lệch chuẩn của dữ liệu. 
# Nó cho thấy phạm vi mà khoảng 68% dữ liệu nằm trong đó (khi giả định dữ liệu tuân theo phân phối chuẩn).
# Legend "Mean - Std" (giá trị trung bình - độ lệch chuẩn): Đường dọc đại diện cho giá trị trung bình trừ đi độ lệch chuẩn của dữ liệu. 
# Nó cũng cho thấy phạm vi mà khoảng 68% dữ liệu nằm trong đó (khi giả định dữ liệu tuân theo phân phối chuẩn).

NHẬN XÉT:

# Hàm Density và có cột mean, mean+std và mean-std như trên, với các số hạng vẽ biểu đồ mà đồ thị lệch

- Lệch sang hẳn cột meean+std làm tâm điểm thì số hạng trên biểu diễn có được coi là số hạng hiện tại biểu hiện thay đổi nhiều và tương lại cũng biến đổi nhiều nhất. - Lệch sang mean-std làm tâm điểm thì là biểu hiện ngược lại ít thay đổi. - Đúng, nếu đồ thị lệch sang mean + std làm tâm điểm, thì số hạng trên biểu đồ sẽ biểu thị sự biến đổi nhiều hơn và tương đối không ổn định hơn so với biểu đồ lệch sang mean - std làm tâm điểm. - Khi lệch sang mean + std, các giá trị dữ liệu có xu hướng cao hơn giá trị trung bình và độ lệch chuẩn, điều này cho thấy sự biến đổi lớn trong dữ liệu. Điều này có thể cho thấy sự phân tán rộng hơn và sự không ổn định trong dữ liệu. - Ngược lại, khi lệch sang mean - std, các giá trị dữ liệu có xu hướng thấp hơn giá trị trung bình và độ lệch chuẩn. Điều này cho thấy sự ổn định hơn và ít biến đổi hơn trongdữ liệu. - Vì vậy, việc xem xét biểu đồ và các số hạng trên nó có thể giúp chúng ta nhận biết sự biến đổi và tính ổn định của dữ lệu.>

df = pd.read_csv(r"C:\Python311\workspaces\m6B45.csv")
pd.set_option("display.max_rows",df.shape[0]+1)
pd.set_option("display.max_columns",60)
df

	Date	S01	S02	S03	S04	S05	S06	S07	S08	S09	S10	S11	S12	S13	S14	S15	S16	S17	S18	S19	S20	S21	S22	S23	S24	S25	S26	S27	S28	S29	S30	S31	S32	S33	S34	S35	S36	S37	S38	S39	S40	S41	S42	S43	S44	S45	ST	Link	Type	BD
0	24/9/2023	151	137	136	160	159	158	157	143	140	158	145	138	151	132	132	146	136	151	167	145	143	150	143	162	150	141	152	148	139	161	144	137	149	136	156	135	162	132	136	144	149	132	137	168	140	146.400000	https://vietlott/vn/vi/choi/mega-6-45/thong-ke...	M6B45	18/07/2016
1	27/9/2023	151	137	137	161	159	158	157	144	140	158	145	139	151	132	132	146	136	151	167	145	143	151	144	162	150	141	153	148	139	163	144	137	149	136	156	136	163	132	137	144	149	132	137	168	140	146.670000	NaN	NaN	NaN
2	29/9/2023	151	138	137	161	159	158	157	145	140	158	145	139	151	132	132	146	136	151	167	145	143	151	144	163	150	141	154	148	139	164	144	137	149	136	156	136	163	132	137	144	149	132	138	168	140	146.800000	NaN	NaN	NaN
3	1/10/2023	151	139	137	161	159	158	157	145	140	158	146	139	152	132	132	147	136	151	167	145	143	151	144	163	150	141	154	148	139	164	144	137	149	136	156	136	163	132	137	144	150	132	139	168	140	146.930000	NaN	NaN	NaN
4	4/10/2023	151	139	137	161	159	158	158	145	140	158	146	139	152	132	132	147	137	151	167	145	144	151	144	163	150	141	154	148	139	164	144	138	149	136	156	136	163	132	137	145	150	132	139	168	141	147.070000	NaN	NaN	NaN
5	6/10/2023	151	139	137	161	159	158	158	145	140	158	146	139	152	132	132	147	137	152	168	145	144	151	144	164	150	141	154	149	139	164	144	138	150	136	156	136	163	132	137	146	150	132	139	168	141	147.200000	NaN	NaN	NaN
6	8/10/2023	151	139	137	162	159	158	158	145	140	158	146	139	152	132	132	148	137	152	168	145	144	152	144	164	150	141	154	150	139	164	144	138	151	136	156	136	163	132	138	146	150	132	139	168	141	147.330000	NaN	NaN	NaN
7	13/10/2023	152	139	137	162	160	158	158	145	140	159	147	139	152	132	132	149	137	152	168	145	144	152	144	164	150	141	154	150	139	165	144	138	151	136	156	136	163	132	139	148	150	132	139	169	143	147.600000	NaN	NaN	NaN
8	15/10/2023	152	139	137	163	161	158	158	145	141	159	147	139	152	132	132	149	137	152	168	145	144	152	144	164	150	141	155	150	139	165	144	138	151	137	156	136	163	132	140	148	150	132	139	169	143	147.730000	NaN	NaN	NaN
9	18/10/2023	152	140	137	163	161	158	159	145	141	159	147	139	152	132	132	149	137	153	168	146	144	152	144	165	150	141	155	150	140	165	144	138	151	137	156	136	163	132	140	148	150	132	139	169	143	147.870000	NaN	NaN	NaN
10	20/10/2023	152	140	137	164	161	158	159	145	141	159	147	139	152	132	132	150	137	153	168	146	145	152	144	166	150	142	155	150	140	165	144	138	151	137	156	136	164	132	140	148	150	132	139	169	143	148.000000	NaN	NaN	NaN
11	22/10/2023	152	140	137	164	161	158	159	145	141	160	147	139	153	133	132	150	137	153	169	146	145	152	144	166	150	142	155	150	140	165	144	138	151	137	157	136	164	132	140	149	150	132	139	169	143	148.130000	NaN	NaN	NaN
12	25/10/2023	152	140	137	165	161	159	159	145	141	160	147	139	154	133	132	150	137	153	169	146	145	152	144	166	151	142	155	150	140	165	145	138	151	137	157	136	164	132	140	149	151	132	139	169	143	148.270000	NaN	NaN	NaN
13	27/10/2023	152	140	137	165	161	159	160	145	141	161	147	139	154	134	132	150	137	153	169	146	146	152	144	166	151	143	155	150	140	165	145	138	151	137	157	136	165	132	140	149	151	132	139	169	143	148.400000	NaN	NaN	NaN
14	29/10/2023	152	140	137	165	162	159	161	145	141	161	147	139	154	134	133	150	137	153	169	146	147	152	144	166	151	143	155	150	140	165	145	139	151	137	157	136	165	132	140	149	151	132	139	169	144	148.530000	NaN	NaN	NaN
15	1/11/2023	153	140	138	165	162	159	161	145	141	161	147	139	154	134	134	151	137	153	169	146	147	152	145	166	151	143	155	151	140	165	145	139	151	137	157	136	165	132	140	149	151	132	139	169	144	148.670000	NaN	NaN	NaN
16	3/11/2023	153	141	138	165	162	159	162	145	142	161	147	139	155	134	134	151	137	153	169	146	147	153	145	166	151	143	155	151	140	165	145	139	151	137	157	136	165	133	140	149	151	132	139	169	144	148.800000	NaN	NaN	NaN
17	5/11/2023	154	141	138	165	162	159	162	145	142	161	147	139	156	134	134	152	137	154	169	146	147	153	146	166	152	143	155	151	140	165	145	139	151	137	157	136	165	133	140	149	151	132	139	169	144	148.933333	NaN	NaN	NaN
18	8/11/2023	154	141	138	165	162	159	163	145	142	161	147	139	156	134	134	152	137	154	169	147	147	153	147	166	152	143	156	151	140	165	146	139	152	137	157	136	165	133	140	149	151	132	139	169	144	149.070000	NaN	NaN	NaN
19	10/11/2023	155	141	138	166	162	159	163	145	142	162	147	139	157	135	134	152	137	154	169	147	147	153	147	166	152	143	156	151	140	165	146	139	152	137	157	136	165	133	140	149	151	132	139	170	144	149.200000	NaN	NaN	NaN
20	12/11/2023	155	142	138	167	162	159	163	145	142	163	147	139	157	135	135	152	137	154	169	147	147	153	147	166	152	143	157	151	140	165	147	139	152	137	157	136	165	133	140	149	151	132	139	170	144	149.330000	NaN	NaN	NaN
21	15/11/2023	155	143	139	167	162	159	163	145	142	163	147	140	157	135	135	153	137	154	169	147	147	153	147	166	152	143	157	151	140	166	147	139	152	137	157	136	166	133	140	149	151	132	139	170	144	149.466667	NaN	NaN	NaN
22	17/11/2023	155	143	139	167	162	159	163	145	142	163	147	140	157	135	135	154	137	154	169	148	147	153	147	166	153	144	157	151	140	166	147	139	152	137	157	137	166	133	140	149	152	132	139	170	144	149.600000	NaN	NaN	NaN
23	19/11/2023	156	143	140	167	162	159	163	145	142	163	147	140	157	135	135	154	137	154	170	149	147	153	147	166	153	145	157	151	140	166	147	139	152	138	157	137	166	133	140	149	152	132	139	170	144	149.733333	NaN	NaN	NaN
24	22/11/2023	156	143	140	167	162	159	163	145	142	163	147	140	157	135	136	154	137	155	170	150	147	153	148	166	153	145	157	151	140	166	147	139	152	138	157	137	167	133	141	149	152	132	139	170	144	149.866667	NaN	NaN	NaN
25	24/11/2023	156	143	140	167	163	159	163	145	142	163	147	140	157	135	136	154	137	156	170	150	147	154	148	166	153	145	157	151	140	166	147	139	152	139	157	137	167	133	141	149	153	132	139	170	145	150.000000	NaN	NaN	NaN
26	26/11/2023	156	143	140	168	163	160	163	145	142	163	147	140	157	135	137	154	137	156	170	150	147	154	149	166	154	145	157	151	140	166	147	139	152	139	157	138	167	133	141	149	153	132	139	170	145	150.133333	NaN	NaN	NaN
27	29/11/2023	156	143	140	168	163	160	163	145	143	163	147	140	157	135	137	154	137	156	170	150	147	155	149	167	154	145	157	151	140	166	147	140	152	139	157	138	167	134	142	149	153	132	139	170	145	150.266667	NaN	NaN	NaN
28	1/12/2023	156	143	140	168	164	160	163	145	143	164	147	140	157	136	137	154	137	156	170	150	148	155	149	167	154	145	158	151	140	166	147	141	152	139	157	138	167	134	142	149	153	132	139	170	145	150.400000	NaN	NaN	NaN
29	3/12/2023	156	143	140	168	164	160	163	145	143	164	147	141	157	137	137	155	137	156	170	150	149	155	149	167	154	145	158	151	141	166	147	142	152	139	157	138	167	134	142	149	153	132	139	170	145	150.533333	NaN	NaN	NaN
30	6/12/2023	156	143	140	168	164	160	163	145	143	164	147	141	157	137	137	155	137	157	171	151	149	155	149	167	154	145	158	151	142	166	147	142	152	139	157	138	167	134	142	149	154	133	139	170	145	150.666667	NaN	NaN	NaN
31	8/12/2023	156	143	140	168	164	160	163	145	143	164	148	141	157	137	138	156	138	157	171	151	149	155	149	167	154	145	158	151	142	166	147	142	152	139	157	138	167	134	142	149	154	134	140	170	145	150.800000	NaN	NaN	NaN
32	10/12/2023	156	143	140	168	164	160	163	145	144	165	149	141	157	137	138	156	139	157	171	151	149	155	149	167	154	145	158	151	142	166	147	142	152	139	157	138	167	134	142	149	155	134	140	171	145	150.933333	NaN	NaN	NaN
33	13/12/2023	156	143	141	168	164	160	164	145	144	165	150	141	157	137	138	156	139	157	171	152	149	155	149	167	154	145	158	152	142	166	147	142	152	139	157	138	167	134	142	149	155	134	140	172	145	151.066667	NaN	NaN	NaN
34	15/12/2023	157	143	141	168	165	160	164	145	144	166	151	141	157	137	138	156	139	157	171	153	149	155	149	167	154	145	158	152	142	166	147	142	152	139	157	138	167	134	142	150	155	134	140	172	145	151.200000	NaN	NaN	NaN
35	17/12/2023	157	143	142	168	165	160	165	145	144	166	151	141	157	137	138	156	139	158	171	154	149	155	149	167	154	145	158	152	142	166	148	142	153	139	157	138	167	134	142	150	155	134	140	172	145	151.333333	NaN	NaN	NaN
36	20/12/2023	157	143	142	168	166	160	165	145	144	166	151	141	157	137	139	157	139	158	171	154	150	156	149	167	154	145	158	152	142	166	148	143	153	139	157	138	167	134	142	150	155	134	140	172	145	151.466667	NaN	NaN	NaN
37	22/12/2023	157	144	142	168	166	160	165	145	144	166	151	142	157	138	139	158	139	158	171	154	150	156	149	167	154	145	158	152	142	166	148	143	153	140	157	138	167	135	142	150	155	134	140	172	145	151.600000	NaN	NaN	NaN
38	24/12/2023	158	145	142	168	167	160	165	145	144	166	151	142	157	138	139	158	139	158	171	154	150	156	149	168	154	145	158	152	142	166	148	143	153	140	157	138	167	135	142	151	155	134	141	172	145	151.733333	NaN	NaN	NaN
39	27/12/2023	158	145	142	168	167	160	165	146	144	166	151	142	157	138	139	159	139	158	171	154	150	156	150	168	154	145	158	152	142	166	148	143	153	141	157	139	167	135	143	151	155	134	141	172	145	151.866667	NaN	NaN	NaN
40	29/12/2023	158	145	142	168	167	160	165	146	144	166	151	142	157	138	139	160	139	158	171	155	150	157	150	168	154	145	158	152	142	166	148	143	153	141	158	139	168	135	144	151	155	134	141	172	145	152.000000	NaN	NaN	NaN
41	31/12/2023	158	145	142	168	167	160	165	146	144	166	151	142	158	139	139	160	139	158	171	155	150	157	151	168	155	145	158	152	142	166	148	143	153	142	158	139	168	135	144	151	155	134	141	173	145	152.133333	NaN	NaN	NaN
42	3/1/2024	158	145	142	168	167	160	165	146	145	166	151	142	158	140	139	160	139	158	172	156	150	157	151	168	155	145	158	152	143	166	148	143	153	142	158	139	168	135	144	152	155	134	141	173	145	152.266667	NaN	NaN	NaN
43	5/1/2024	158	145	142	168	167	160	165	146	146	166	151	142	158	140	139	161	139	158	172	156	150	157	151	168	155	145	158	152	144	166	149	143	154	142	158	139	168	135	144	152	155	135	141	173	145	152.400000	NaN	NaN	NaN
44	7/1/2024	158	145	143	169	167	160	165	146	146	166	151	142	158	140	140	161	139	159	172	156	150	157	151	168	155	145	158	152	144	166	149	143	154	142	158	140	168	135	144	152	155	135	141	173	146	152.533333	NaN	NaN	NaN
45	10/1/2024	158	145	143	169	167	160	165	146	146	167	151	143	158	140	140	161	139	160	173	156	150	157	151	168	155	145	158	152	145	166	149	143	154	142	158	140	168	135	144	152	155	135	142	173	146	152.666667	NaN	NaN	NaN
46	12/1/2024	158	145	143	169	167	160	165	146	146	168	152	143	158	140	140	161	139	160	173	157	150	157	151	168	155	145	159	152	145	166	149	143	154	142	158	140	168	135	145	152	155	135	143	173	146	152.800000	NaN	NaN	NaN
47	14/1/2024	158	146	143	169	167	160	165	147	146	168	152	143	158	140	140	161	139	160	174	158	150	157	151	169	155	145	159	152	145	166	149	143	154	142	158	140	168	135	145	152	155	136	143	173	146	152.933333	NaN	NaN	NaN
48	17/1/2024	158	146	143	169	167	160	165	147	146	168	152	143	158	141	140	161	139	160	175	158	151	157	151	169	155	145	159	152	145	166	149	143	154	142	158	141	168	135	145	152	155	136	144	174	146	153.066667	NaN	NaN	NaN
49	19/1/2024	158	146	143	169	167	160	165	148	146	168	152	143	158	141	141	161	139	160	175	159	151	157	151	170	155	145	159	152	145	166	149	143	154	142	158	141	168	135	145	152	155	136	145	175	146	153.200000	NaN	NaN	NaN
50	21/1/2024	158	146	143	169	167	160	165	148	146	168	153	143	158	141	141	161	139	160	175	160	151	158	152	170	155	146	159	152	145	166	150	143	154	142	158	141	168	135	145	152	155	136	145	175	146	153.333333	NaN	NaN	NaN
51	24/1/2024	158	146	143	169	167	160	166	148	146	168	153	143	158	141	141	161	139	160	175	160	151	158	152	170	155	146	160	152	145	167	150	143	154	142	158	142	168	135	146	152	155	136	145	175	147	153.466667	NaN	NaN	NaN
52	26/1/2024	158	146	143	169	167	160	166	149	146	168	153	143	158	141	141	161	139	160	176	160	151	159	152	170	155	146	161	152	145	167	151	143	154	142	159	142	168	135	146	152	155	136	145	175	147	153.600000	NaN	NaN	NaN
53	28/1/2024	158	146	144	169	167	160	166	149	146	168	153	143	158	141	141	161	139	160	176	160	151	159	153	170	156	146	161	152	146	167	151	143	154	142	159	143	168	135	146	152	156	136	146	175	147	153.755556	NaN	NaN	NaN
54	31/1/2024	158	146	144	169	167	160	166	149	147	168	154	143	158	141	142	161	139	160	176	160	151	159	153	170	156	146	161	152	146	167	151	143	154	142	160	143	168	136	146	152	157	136	146	175	147	153.888889	NaN	NaN	NaN
55	2/2/2024	159	146	144	169	167	160	166	149	147	168	154	143	158	141	143	161	139	160	176	160	151	159	153	170	156	146	161	152	147	167	152	144	154	143	160	143	168	136	146	152	157	136	146	175	147	154.022222	NaN	NaN	NaN
56	4/2/2024	159	146	144	169	167	160	166	149	148	168	154	143	158	141	144	161	139	160	176	160	152	159	153	170	156	146	161	152	148	167	152	144	155	143	160	143	168	136	147	152	157	136	146	175	147	154.155556	NaN	NaN	NaN
57	7/2/2024	159	146	144	169	167	160	166	149	148	168	154	143	158	141	144	161	140	160	176	160	153	159	153	171	157	146	161	152	148	167	152	144	155	143	160	143	168	136	148	152	157	137	146	175	147	154.288889	NaN	NaN	NaN
58	11/2/2024	159	146	144	169	167	160	167	149	148	168	154	143	158	141	144	161	140	161	176	160	153	159	153	171	157	146	161	152	148	167	153	144	156	143	161	143	168	136	148	152	158	137	146	175	147	154.422222	NaN	NaN	NaN

4. Các Hàm thủ tục Thống kê và Phân tích Dữ liệu --> Analytics/Statistic Data

4.3. Hàm sns.boxplot mở rộng so sánh với Giá trị thực để xác định độ thay đổi / tổng từng giá trị của dữ liệu số Chú thích: - Hàm sns.boxplot trong thư viện Seaborn được sử dụng để vẽ biểu đồ hộp (box plot). Biểu đồ hộp cho phép chúng ta hiển thị phân phối của một biến dữ liệu và các thông số thống kê liên quan. - Thông qua biểu đồ hộp, chúng ta có thể trực quan hóa các thông số như giá trị trung vị (median), phạm vi (range), tứ phân vị (quartiles), và các giá trị ngoại lệ (outliers). Điều này giúp chúng ta có cái nhìn tổng quan về sự phân bố và biến động của dữ liệu. - Tuy nhiên, trong phân tích giá trị về diễn biến tổng khối lượng so với giá trị diễn biến thay đổi như nến (volume trong chứng khoán), biểu đồ hộp có thể không phù hợp. - Thông thường, biểu đồ hộp được sử dụng để phân tích các biến dữ liệu số (numerical variables) và không có sự phụ thuộc giữa các mẫu dữ liệu. - Trong trường hợp giá trị diễn biến tổng khối lượng và giá trị diễn biến thay đổi như nến trong chứng khoán, có thể sử dụng các biểu đồ khác như biểu đồ đường (line plot) hoặc biểu đồ thanh (bar plot) để biểu diễn sự biến đổi của dữ liệu theo thời gian hoặc các nhóm khác nhau.

for i in df.select_dtypes(include="number").columns:
    plt.figure(figsize=(15,6))
    sns.boxplot(data=df,x=i)
    plt.grid()
    plt.show()

# poe AI: tôi nhìn thấy có biểu đồ dạng Box nhưng lại có:
# 1.  02 ký hiệu o tròn không liền hoặc không nằm trên đường line, hoặc 
# 2.  dạng chỉ có 1 , 2, 3 chữ o tròn, hoặc 
# 3.  có 1 o tròn nằm bên trái bên phải lại là box có line hoặc 
# 4.  có 2 o nằm bên phải còn bên trái lại có 1 box có line, 
# 5.  dạng có 2 line và ở giữa có 1 box, 
# 6.  dạng có 2 line ở 2 bên và 1 box bị chia đôi, 
# 7.  dạng có 2 o tròn bên trái chia đôi bằng 1 line dọc và 4 o tròn bên phải, 
# 8.  dạng bên trái có line và 1 box rất to bên phải hoặc ngược lại, 
# 9.  dạng có 1 box duy nhất to và có 1 đường line dọc chia đôi ở giữa, 
# 10. dạng có 1 box duy nhất to và có 1 đường line dọc chia đôi lệch bên trái, 
# 11. dạng có 1 box duy nhất to và có 1 đường line dọc chia đôi lệch bên phải, thì những biểu đồ trên thể hiện số liệu gì?
    
#Dựa vào mô tả chi tiết về các biểu đồ box plot trong câu hỏi của bạn, dưới đây là một giải thích về từng trường hợp:
#1. Hai ký hiệu o tròn không liền hoặc không nằm trên đường line: Đây là trường hợp khi có hai outliers không liên tục trong dữ liệu.
#2. Số lượng o tròn khác nhau (1, 2, 3): Số lượng o tròn biểu thị số lượng outliers tương ứng trong dữ liệu. 
#         Ví dụ: 1 o tròn có thể chỉ ra một outlier duy nhất, trong khi 2 o tròn có thể chỉ ra hai outliers.
#3. Box với line ở một bên và o tròn ở phía bên kia: Đây là trường hợp khi có một phân phối dữ liệu không đồng nhất. 
#        Box với line thể hiện phần trung bình của dữ liệu, trong khi o tròn biểu thị sự không đồng nhất hoặc các giá trị bất thường nằm ở phía bên kia.
#4. Dạng có 2 line và ở giữa có 1 box: Đây là trường hợp khi dữ liệu được chia thành hai phân nhóm và 
#        box ở giữa biểu thị phần trung bình của mỗi phân nhóm.
#5. Dạng có 2 line ở 2 bên và 1 box bị chia đôi: Đây là trường hợp khi dữ liệu được chia thành hai phân nhóm và 
#        box bị chia đôi biểu thị phần trung bình của mỗi phân nhóm.
#6. Dạng có 2 o tròn bên trái chia đôi bằng 1 line dọc và 4 o tròn bên phải: Đây là trường hợp khi dữ liệu được chia thành hai phân nhóm, và 
#        mỗi phân nhóm có các outliers riêng biệt.
#7. Dạng bên trái có line và 1 box rất to bên phải hoặc ngược lại: Đây là trường hợp khi dữ liệu không đồng nhất và 
#        có một phân nhóm có độ phân tán lớn hơn phân nhóm còn lại.
#8. Dạng có 1 box duy nhất to và có 1 đường line dọc chia đôi ở giữa: Đây là trường hợp khi dữ liệu có một phân nhóm duy nhất và 
#        đường line dọc chia đôi biểu thị phần trung bình của phân nhóm này.
#9. Dạng có 1 box duy nhất to và có 1 đường line dọc chia đôi lệch bên trái hoặc bên phải: Đây là trường hợp khi dữ liệu có một phân nhóm duy nhất và 
#         đường line dọc chia đôi lệch biểu thị phần trung bình của phân nhóm này.
#Tuy nhiên, để hiểu rõ hơn về các biểu đồ và ý nghĩa của chúng, nên xem xét kết hợp với các thông số thống kê khác và 
#    kiến thức về lĩnh vực dữ liệu của bạn.

#-->Result Analysis  Insight ()
# TB: (1,2),3), 4), (5),(6),(7, (9, (10, (12), 13), (14, (15, 16), (18, (19), (20, (21, 22) 23), (25),(26), 27), (31, 34), (35), 36), 37), (38, (41, 45)
# 2:O:  8)  
# 1TB + 1P:0 : (32, (44
# 2T:0 + | + 4P:0: (11
# 1T:0 + | + 2P:0: (17
# 1T:0 + 1TB + 1P:0: 
# 1T:0 + 1TB : 28), 24), 33)
# 2T:0 + 1TB : 30) 
# 1TB + 2P:0 : 
# 1TB + 1 TB + 2P:0: (29
# 3T:0 + 1TB : 39), 40)
# | + 2P:0 : (42
# 2T:0 + | + 1P:0 : 43)
# --> TB -->  
#S1: 01 .. 5, 
#S2: 6 .. 12, 
#S3: 13 .. 19, 
#S4: 20 .. 25, 
#S5: 26 .. 35, 
#-------------

4. Các Hàm thủ tục Thống kê và Phân tích Dữ liệu --> Analytics/Statistic Data

4.4. Hàm sns.scatterplot so sánh với Giá trị thực để xác định một độ phân bố và độ thay đổi dữ liệu số Chú thích: hàm sns.scatterplot. Hàm này trong thư viện Seaborn được sử dụng để tạo biểu đồ phân tán (scatter plot), giúp chúng ta quan sát và so sánh mối quan hệ giữa hai biến dữ liệu số.

Biểu đồ phân tán biểu thị các điểm dữ liệu trên một không gian hai chiều, trong đó mỗi điểm dữ liệu được đại diện bởi một điểm trên biểu đồ. Trục x và trục y thường biểu thị hai biến dữ liệu mà chúng ta muốn so sánh. Điểm dữ liệu trên biểu đồ phân tán có thể có các mức độ tương quan khác nhau, từ tương quan dương (các điểm tăng theo cùng một hướng) đến tương quan âm (các điểm giảm theo cùng một hướng) và không có tương quan.

Biểu đồ phân tán giúp chúng ta đánh giá mức độ phân bố và độ thay đổi của dữ liệu số. Nó cho phép chúng ta xem xét các mẫu dữ liệu và tìm hiểu mối quan hệ giữa các biến số. Bằng cách xem xét biểu đồ phân tán, chúng ta có thể nhận ra các mẫu, xu hướng và sự biến đổi trong dữ liệu.

Tóm lại, hàm sns.scatterplot cho phép chúng ta so sánh và phân tích mối quan hệ giữa hai biến số, từ đó xác định được độ phân bố và độ thay đổi của dữ liệu số.

for i in ['S01', 'S02', 'S03', 'S04', 'S05', 'S06', 'S07', 'S08', 'S09',
       'S10', 'S11', 'S12', 'S13', 'S14', 'S15', 'S16', 'S17', 'S18', 'S19',
       'S20', 'S21', 'S22', 'S23', 'S24', 'S25', 'S26', 'S27', 'S28', 'S29',
       'S30', 'S31', 'S32', 'S33', 'S34', 'S35', 'S36', 'S37', 'S38', 'S39',
       'S40', 'S41', 'S42', 'S43', 'S44', 'S45']:
    plt.figure(figsize=(15,6))
    sns.scatterplot(data=df,y='Date',x=i)
    plt.grid()
    plt.show()

4. Các Hàm thủ tục Thống kê và Phân tích Dữ liệu --> Analytics/Statistic Data

4.6. Thư viện networkx và các hàm như nx.Graph(), add_node(), spring_layout(), và draw_networkx() được kết hợp để làm việc với đồ thị (graph) và vẽ đồ thị một cách trực quan. Chú thích: - Thư viện networkx cung cấp các công cụ và chức năng để làm việc với các loại đồ thị, bao gồm đồ thị vô hướng, đồ thị có hướng, đồ thị đa đỉnh và đa cung, và nhiều hơn nữa. Một trong những đối tượng quan trọng trong networkx là lớp Graph() để tạo và quản lý đồ thị. - Hàm add_node() được sử dụng để thêm đỉnh (node) vào đồ thị. Trong ví dụ của bạn, add_node(f"{i+1}.{j+1}", label=number) thêm một đỉnh vào đồ thị với tên là f"{i+1}.{j+1}" và thuộc tính label có giá trị là number. - Hàm spring_layout() được sử dụng để xác định vị trí của các đỉnh trong đồ thị bằng phương pháp spring layout. Nó sắp xếp các đỉnh sao cho các đỉnh có mối quan hệ gần nhau sẽ được đặt gần nhau hơn trên không gian. - Cuối cùng, hàm draw_networkx() được sử dụng để vẽ đồ thị trực quan dựa trên các thông tin về đỉnh và cung đã được thêm vào đồ thị. Nó tạo ra một biểu đồ với đỉnh và cung được hiển thị một cách rõ ràng và trực quan. Vì vậy, bằng cách kết hợp thư viện networkx và các hàm như nx.Graph(), add_node(), spring_layout(), và draw_networkx(), chúng ta có thể tạo và quản lý đồ thị, xác định vị trí của các đỉnh trong đồ thị, và vẽ đồ thị một cách trực quan để hiển thị mối quan hệ giữa các đỉnh.

import networkx as nx
import matplotlib.pyplot as plt
# Tạo đồ thị
G = nx.Graph()
# Thêm các nút vào đồ thị
sequences = [
# Lap bang Chart Vietlott.vn > Chart Cluster Stack  M6B45 (21.1.2024)
[60,61,62,63,64,65,66,67,68,69], #x0
[8,15,20,24,43,44], #1
[14,19,21,36], #2
[2,42], #3
[10,11,27,39], #4 --> 1 node (40) older
[12,18,29,],  #5
[3,4,45],  #6
[9,16,31,33], #7
[40 ], #8	--> bỏ 8?, 29?
[23,25,34], #9 --> 1 node (21, 32) older
[22,35,37], #10
[ ], #11
[1,5,24,42], #12 --> 1 node (36)  vs 1 node (25,23)   vs --> 1 node (26,37,45,6,4,39,24,27) bỏ 13?,26, 37, 14?, 4,6, 12?, 15?,11?,10?
[13,38], #13	 --> 1 node (26,37,45,6,4,39,24,27) bỏ 13?,
[32],  #14 --> 1 node (26,37,45,6,4,39,24,27)  bỏ 14?,
[7],   #15--> 1 node (26,37,45,6,4,39,24,27)	bỏ 15? 26?
[],  #16
[28 ],  #17	--> 1 node (30)
[17,41],  #18
[],  #19--> 1 node (13) --> bỏ 19?
[ ], #20
[],  #21
[],  #22
[],  #23
[],  #24
[6],  #25
[],  #26
[26],  #27 --> 1 node (35)
[],  #28
[30],  #29
[],  #30
[],  #31
[], #32
[], #33
[], #34
[], #35   --> 1 node (8)
 ]
for i, sequence in enumerate(sequences):
    for j, number in enumerate(sequence):
        G.add_node(f"{i+1}.{j+1}", label=number)
# Thêm các cạnh cho quan hệ hình cây số học
for i in range(len(sequences)-1):
    for j in range(len(sequences[i])):
        G.add_edge(f"{i+1}.{j+1}", f"{i+2}.{j//2+1}")
# Vẽ đồ thị
pos = nx.spring_layout(G)  # Vị trí các nút
labels = nx.get_node_attributes(G, 'label')  # Nhãn của các nút
plt.figure(figsize=(12, 8))
nx.draw_networkx(G, pos, labels=labels, node_size=200, font_size=10, font_color='red', node_color='none', edge_color='gray', linewidths=1)
plt.axis('off')
plt.tight_layout()  # Tự động điều chỉnh khoảng cách giữa các nút
plt.show()

# quay ngau nhien lay ra 3 so (6.12.2023 15:00 pm)
"25 3 32 29 10 22"
"21 34 29 18 5 6"
"30 10 33 17 19 34"

import random
#0
#print(random.randrange(7,44))

class Node:
    def __init__(self, value):
        self.value = value
        self.left = None
        self.right = None
        self.center = None

def postorder_traversal(node):
    if node is None:
        return

    # Duyệt cây con bên trái của nút
    postorder_traversal(node.left)

    # Duyệt cây con bên phải của nút
    postorder_traversal(node.right)

    # Duyệt cây con bên phải của nút
    postorder_traversal(node.center)

    # In giá trị của nút
    print(node.value, end=" ")

# Tạo cây theo thứ tự đã mô tả
root = Node("11 15 16 17 42 43,")
root.left = Node("18 19 20 29 41,")
root.right = Node("12 14 21 32,")
root.left.left = Node("5 10 27,")
root.left.right = Node("9 22 24 38 39,")
root.left.center = Node("4 6 23 25 36,")
root.right.center = Node("34 45,")
root.right.left = Node("1 37,")
root.right.right = Node("3 26 2 7 8 13 28 30 31 33 35 40 44, ")

# Thực hiện truyền tải theo thứ tự sau
postorder_traversal(root)


#- Lap bang Chart Vietlott.vn > Chart Cluster Stack  M6B45
#	+ chọn Liên tiếp tăng 1 kỳ gần nhất: 12, 14, 16, 21, 29, 32, 
#	+	chọn liên tiếp tăng 2 kỳ gần nhất:  5, 10, 27,  
#	+ 		chọn liên tiếp tăng sau 3 kỳ gần nhất: 9, 22, 24, 38, 39,  
#	+ 			chọn liên tiếp tăng sau 4 kỳ gần nhất: 4, 6, 15, 23, 25, 36, 
#	+				chọn liên tiếp tăng sau 5 kỳ gần nhất: 	 18, 34, 41, 45
#	+					chọn liên tiếp tăng sau 6 kỳ gần nhất: 	20, 37
#	+						chọn liên tiếp tăng sau 7 kỳ gần nhất: 1, 19, 26 	 
#	+						chọn liên tiếp tăng sau 8 kỳ gần nhất: , 
#	+							chọn liên tiếp tăng sau 9 kỳ gần nhất: 2, 30,
#	+								chọn liên tiếp tăng sau 10 kỳ gần nhất: 7, 	8, 11, 13, 17, 28, 31, 33, 35, 40, 42, 43, 44
# Lay chọn số theo Tử vi ngày / tuổi hợp số may mắn: ví dụ: 1,3,9  +  0,8,10
import random
#0
print(random.randrange(12,32))
#1
print(random.randrange(2,32))
#2
#print(random.randrange(9,42))
#3
print(random.randrange(1,36))
#4
#print(random.randrange(2,45))
#5
#print(random.randrange(15,39))
#6
#print(random.randrange(1,34))
#7
#print(random.randrange(16,41))
#8
print(random.randrange(2,37))
#9
print(random.randrange(2,31))
#10
print(random.randrange(1,44))

#https://matplotlib.org/stable/plot_types/basic/stem.html#sphx-glr-plot-types-basic-stem-py
import matplotlib.pyplot as plt
import numpy as np

plt.style.use('_mpl-gallery')

# make data
x = 0.5 + np.arange(8)
y = [4.8, 5.5, 3.5, 4.6, 6.5, 6.6, 2.6, 3.0]

# plot
fig, ax = plt.subplots()

ax.stem(x, y)

ax.set(xlim=(0, 8), xticks=np.arange(1, 8),
       ylim=(0, 8), yticks=np.arange(1, 8))

plt.show()

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

well_data1 = pd.read_csv(r"C:\Python311\workspaces\m6B45.csv")
pd.set_option("display.max_rows",df.shape[0]+1)
well_data1 = well_data1[['S01', 'S02', 'S03', 'S04', 'S05', 'S06', 'S07', 'S08', 'S09', 'S10', 'S11', 'S12']]
figure = plt.figure(figsize=(15,5))
sns.heatmap(well_data1)
plt.show()
corr = well_data1.corr()
corr
sns.heatmap(corr, cmap='RdBu', vmin=0, vmax=1, annot=True, annot_kws={'fontsize':8})

well_data2 = pd.read_csv(r"C:\Python311\workspaces\m6B45.csv")
pd.set_option("display.max_rows",df.shape[0]+1)
well_data2 = well_data2[['S12', 'S13', 'S14', 'S15', 'S16', 'S17', 'S18', 'S19']]
figure = plt.figure(figsize=(15,5))
sns.heatmap(well_data2)
plt.show()
corr = well_data2.corr()
corr
sns.heatmap(corr, cmap='RdBu', vmin=0, vmax=1, annot=True, annot_kws={'fontsize':8})

well_data3 = pd.read_csv(r"C:\Python311\workspaces\m6B45.csv")
pd.set_option("display.max_rows",df.shape[0]+1)
well_data3 = well_data3[['S19','S20', 'S21', 'S22', 'S23', 'S24', 'S25', 'S26']]
figure = plt.figure(figsize=(15,5))
sns.heatmap(well_data3)
plt.show()
corr = well_data3.corr()
corr
sns.heatmap(corr, cmap='RdBu', vmin=0, vmax=1, annot=True, annot_kws={'fontsize':8})

well_data4 = pd.read_csv(r"C:\Python311\workspaces\m6B45.csv")
pd.set_option("display.max_rows",df.shape[0]+1)
well_data4 = well_data4[['S26','S27','S28','S29','S30', 'S31', 'S32', 'S33', 'S34']]
figure = plt.figure(figsize=(15,5))
sns.heatmap(well_data4)
plt.show()
corr = well_data4.corr()
corr
sns.heatmap(corr, cmap='RdBu', vmin=0, vmax=1, annot=True, annot_kws={'fontsize':8})

well_data5 = pd.read_csv(r"C:\Python311\workspaces\m6B45.csv")
pd.set_option("display.max_rows",df.shape[0]+1)
well_data5 = well_data5[['S34', 'S35', 'S36']]
figure = plt.figure(figsize=(15,5))
sns.heatmap(well_data5)
plt.show()
corr = well_data5.corr()
corr
sns.heatmap(corr, cmap='RdBu', vmin=0, vmax=1, annot=True, annot_kws={'fontsize':8})

well_data6 = pd.read_csv(r"C:\Python311\workspaces\m6B45.csv")
pd.set_option("display.max_rows",df.shape[0]+1)
well_data6 = well_data6[['S36','S37','S38','S39','S40','S41','S42','S43','S44','S45']]
figure = plt.figure(figsize=(15,5))
sns.heatmap(well_data6)
plt.show()
corr = well_data6.corr()
corr
sns.heatmap(corr, cmap='RdBu', vmin=0, vmax=1, annot=True, annot_kws={'fontsize':8})

4. Các Hàm thủ tục Thống kê và Phân tích Dữ liệu --> Analytics/Statistic Data

4.6. Thư viện networkx và các hàm như nx.Graph(), add_node(), spring_layout(), và draw_networkx() được kết hợp để làm việc với đồ thị (graph) và vẽ đồ thị một cách trực quan. Chú thích: - Thư viện networkx cung cấp các công cụ và chức năng để làm việc với các loại đồ thị, bao gồm đồ thị vô hướng, đồ thị có hướng, đồ thị đa đỉnh và đa cung, và nhiều hơn nữa. Một trong những đối tượng quan trọng trong networkx là lớp Graph() để tạo và quản lý đồ thị. - Hàm add_node() được sử dụng để thêm đỉnh (node) vào đồ thị. Trong ví dụ của bạn, add_node(f"{i+1}.{j+1}", label=number) thêm một đỉnh vào đồ thị với tên là f"{i+1}.{j+1}" và thuộc tính label có giá trị là number. - Hàm spring_layout() được sử dụng để xác định vị trí của các đỉnh trong đồ thị bằng phương pháp spring layout. Nó sắp xếp các đỉnh sao cho các đỉnh có mối quan hệ gần nhau sẽ được đặt gần nhau hơn trên không gian. - Cuối cùng, hàm draw_networkx() được sử dụng để vẽ đồ thị trực quan dựa trên các thông tin về đỉnh và cung đã được thêm vào đồ thị. Nó tạo ra một biểu đồ với đỉnh và cung được hiển thị một cách rõ ràng và trực quan. Vì vậy, bằng cách kết hợp thư viện networkx và các hàm như nx.Graph(), add_node(), spring_layout(), và draw_networkx(), chúng ta có thể tạo và quản lý đồ thị, xác định vị trí của các đỉnh trong đồ thị, và vẽ đồ thị một cách trực quan để hiển thị mối quan hệ giữa các đỉnh.

import networkx as nx
import matplotlib.pyplot as plt
# Tạo đồ thị
G = nx.Graph()
# Thêm các nút vào đồ thị
sequences = [
[61,62,63,64,65,66], #x0
[19], #1--> bỏ 40, 29,14,9
[13,44], #2--> bỏ 34,23,25
[16,35,37], #3 --> bỏ 39,22
[], #4 --> bỏ 36,8
[1,5,24],  #5 --> bỏ 43,2
[],  #6--> bỏ 38,12
[], #7--> bỏ 32,21,15
[7,18], #8	--> bỏ 33, 31,3
[10], #9 -->bỏ 11,
[],   #10--> bỏ 28
[41], #11,17
[],  #12 --> bỏ 42
[],    #13	 
[],    #14 
[], #15--> bỏ 27
[],    #16
[], #17--> bỏ 4,6
[],  #18--> bỏ 45
[],    #19
[], #20--> bỏ 26
[],    #21
[],  #22--> bỏ 30
[],    #23
[],    #24
[],    #25
[],    #26
[],    #27 
[],    #28
[],    #29
[],    #30
[],    #31
[],    #32
[],    #33
[],    #34
[],    #35   
 ]
for i, sequence in enumerate(sequences):
    for j, number in enumerate(sequence):
        G.add_node(f"{i+1}.{j+1}", label=number)
# Thêm các cạnh cho quan hệ hình cây số học
for i in range(len(sequences)-1):
    for j in range(len(sequences[i])):
        G.add_edge(f"{i+1}.{j+1}", f"{i+2}.{j//2+1}")
# Vẽ đồ thị
pos = nx.spring_layout(G)  # Vị trí các nút
labels = nx.get_node_attributes(G, 'label')  # Nhãn của các nút
plt.figure(figsize=(12, 8))
nx.draw_networkx(G, pos, labels=labels, node_size=200, font_size=10, font_color='red', node_color='none', edge_color='gray', linewidths=1)
plt.axis('off')
plt.tight_layout()  # Tự động điều chỉnh khoảng cách giữa các nút
plt.show()

#Tập hợp của cả A và B xử lý Sortlist, Postpose, deduplicate numbers:
#A: [13,16,19,35,44] vs [7,10,18]
#B: [20,13,19,16,23,22,44,25] vs [18,10,7,21]
#--> 7	10	13	16	18	19	20	21	22	23	25	35	44
#viết hàm python ngẫu nhiên liên tiếp để chọn ra 6 số ngẫu nhiên không trùng duy nhất và tăng dần trong dãy số trên ?
#Để chọn ra 6 số ngẫu nhiên không trùng lặp và tăng dần từ dãy số đã cho, bạn có thể thực hiện các bước sau:
#1. Sắp xếp dãy số theo thứ tự tăng dần.
#2. Chọn 6 số ngẫu nhiên từ dãy số đã sắp xếp.
#Dưới đây là một hàm Python để thực hiện công việc này:
import random
def choose_random_numbers(sequence, k):
    sorted_sequence = sorted(sequence)  # Sắp xếp dãy số theo thứ tự tăng dần
    random_numbers = random.sample(sorted_sequence, k)  # Chọn ngẫu nhiên k số từ dãy số đã sắp xếp
    return random_numbers

sequence = [7,10,13,16,18,19,20,21,22,23,25,35,44]
k = 6
random_numbers = choose_random_numbers(sequence, k)
print(random_numbers)
# --> Bấm 5 lần chọn: [35, 7, 13, 23, 25, 10]

[35, 7, 13, 23, 25, 10]

#20.12.2023 --> [15, 1, 13, 16, 6, 3],  [13, 34, 20, 1, 3, 4], [16, 34, 26, 10, 6, 12]
#24.12.2023 -->  [7, 28, 2, 34, 3, 40]  [44, 18, 2, 16, 38, 1] [3, 44, 41, 9, 5, 18]
#5.1.2024 --> [35, 7, 13, 23, 25, 10]

import pandas as pd
from itertools import combinations

# Đọc dữ liệu từ file CSV
data = pd.read_csv(r"C:\Python311\workspaces\m6B45.csv")

# Xóa cột 'Date' và chuyển đổi thành ma trận numpy
X = data.iloc[:, 1:].values

# Tính tổng số lần xuất hiện của mỗi số từ 1 đến 45
sum_counts = X.sum(axis=0)

# Tìm ra 6 số có khả năng cao nhất không trùng nhau
top_6_nums = []

for _ in range(6):
    max_index = sum_counts.argmax()
    top_6_nums.append(max_index + 1)
    sum_counts[max_index] = 0

# In ra 6 số có khả năng cao nhất không trùng nhau
print("6 số có khả năng cao nhất không trùng nhau:", top_6_nums)

6 số có khả năng cao nhất không trùng nhau: [44, 19, 24, 4, 37, 30]

4. Các Hàm thủ tục Thống kê và Phân tích Dữ liệu --> Analytics/Statistic Data

4.8. Hàm Đồ Thị nhiệt - Heatmap() làm việc với biểu đồ heatmap (đồ thị nhiệt) và tính toán ma trận tương quan của dữ liệu đầu vào. Mục đích chính của đoạn mã này là: - Đọc dữ liệu từ tệp CSV: Dữ liệu được đọc từ tệp CSV với đường dẫn đã cho sử dụng hàm pd.read_csv() và lưu vào biến well_data6. Thiết lập tùy chọn hiển thị: Sử dụng hàm pd.set_option() để thiết lập tùy chọn hiển thị, trong trường hợp này là display.max_rows. Giá trị của display.max_rows được thiết lập là số hàng trong df cộng 1. - Lựa chọn các cột dữ liệu: Dữ liệu trong well_data6 được lựa chọn chỉ bao gồm các cột 'S1' đến 'S45' bằng cách truy cập vào well_data6 và chỉ định danh sách tên các cột. - Tạo biểu đồ heatmap: Một đối tượng hình ảnh (figure) được tạo ra với kích thước 15x5 sử dụng plt.figure(figsize=(15,5)). Biểu đồ heatmap được tạo ra sử dụng hàm sns.heatmap() và dữ liệu từ well_data6. Điều này tạo ra một biểu đồ nhiệt với các giá trị dữ liệu được màu sắc hóa và hiển thị trên màn hình. - Tính toán ma trận tương quan: Sử dụng well_data6.corr(), ma trận tương quan của dữ liệu trong well_data6 được tính toán và lưu vào biến corr. - Vẽ biểu đồ heatmap của ma trận tương quan: Sử dụng hàm sns.heatmap() một lần nữa, biểu đồ heatmap của ma trận tương quan được vẽ. - Trong trường hợp này, biểu đồ heatmap được màu sắc bằng cmap 'RdBu' (Red-Blue colormap), giá trị tối thiểu và tối đa của màu sắc được đặt là 1, các giá trị tương quan được chú thích trên biểu đồ và cỡ chữ của chú thích được đặt là 8. - Tóm lại, đoạn mã trên được sử dụng để tạo biểu đồ heatmap của dữ liệu từ tệp CSV và tính toán ma trận tương quan của dữ liệu đó. Mục đích của nó là trực quan hóa dữ liệu và hiển thị mối quan hệ tương quan giữa các cột dữ liệu trong biểu đồ heatmap.

#[44, 19, 24, 4, 37, 30]
well_data6 = pd.read_csv(r"C:\Python311\workspaces\m6B45.csv")
pd.set_option("display.max_rows",df.shape[0]+1)
well_data6 = well_data6[['S01','S02','S03','S04','S05','S06','S07','S08','S09','S10','S11','S12','S13','S14','S15','S16','S17','S18','S19','S20','S21','S22','S23','S24','S25','S26','S27','S28','S29','S30','S31','S32','S33','S34','S35','S36','S37','S38','S39','S40','S41','S42','S43','S44','S45']]
figure = plt.figure(figsize=(15,5))
sns.heatmap(well_data6)
#plt.show()
corr = well_data6.corr()
corr
sns.heatmap(corr, cmap='RdBu', vmin=1, vmax=1, annot=True, annot_kws={'fontsize':8})

<Axes: >

import networkx as nx
import matplotlib.pyplot as plt
# Tạo đồ thị
G = nx.Graph()
# Thêm các nút vào đồ thị
sequences = [
# Lap bang Chart Vietlott.vn > Chart Cluster Stack  M6B45 (5.1.2024)
[61,62,63,64,65,66], #x0
[19,20], #1 --> bỏ 9,14, 29,40
[13,23,25,44], #2 --> bỏ 34
[16,22,35,37], #3--> bỏ 39
[], #4 --> bỏ 8,36
[1,5,24],  #5--> bỏ 2,43
[],  #6 --> bỏ 12,38
[21], #7 --> bỏ 15,32
[7,18], #8	--> bỏ 3,31,33
[10], #9 --> bỏ 11
[], #10 --> bỏ 28
[41], #11 --> bỏ 17
[], #12 --> bỏ 42
[], #13	 --> 1 node (26,37,45,6,4,39,24,27) bỏ 13?,
[],  #14 --> 1 node (26,37,45,6,4,39,24,27)  bỏ 14?,
[27],   #15--> 1 node (26,37,45,6,4,39,24,27)	bỏ 15? 26?
[],  #16
[4,6],  #17	--> 1 node (30)
[],  #18 --> bỏ 45
[],  #19--> 1 node (13) --> bỏ 19?
[], #20 --> bỏ 26
[],  #21
[30],  #22
[],  #23
[],  #24
[],  #25
[],  #26
[],  #27 --> 1 node (35)
[],  #28
[],  #29
[],  #30
[],  #31
[], #32
[], #33
[], #34
[], #35   --> 1 node (8)
 ]
for i, sequence in enumerate(sequences):
    for j, number in enumerate(sequence):
        G.add_node(f"{i+1}.{j+1}", label=number)
# Thêm các cạnh cho quan hệ hình cây số học
for i in range(len(sequences)-1):
    for j in range(len(sequences[i])):
        G.add_edge(f"{i+1}.{j+1}", f"{i+2}.{j//2+1}")
# Vẽ đồ thị
pos = nx.spring_layout(G)  # Vị trí các nút
labels = nx.get_node_attributes(G, 'label')  # Nhãn của các nút
plt.figure(figsize=(12, 8))
nx.draw_networkx(G, pos, labels=labels, node_size=200, font_size=10, font_color='red', node_color='none', edge_color='gray', linewidths=1)
plt.axis('off')
plt.tight_layout()  # Tự động điều chỉnh khoảng cách giữa các nút
plt.show()

#Tập hợp của cả A và B xử lý Sortlist, Postpose, deduplicate numbers:
#A: [13,16,19,35,44] vs [7,10,18]
#B: [20,13,19,16,23,22,44,25] vs [18,10,7,21]
#--> 7	10	13	16	18	19	20	21	22	23	25	35	44
#D: [10,16,22,44,19,32,20]
#E: [44, 19, 24, 4, 37, 30]
#--> [4,7,10,13,16,18,19,20,21,22,23,24,25,30,32,35,37,44]
#viết hàm python ngẫu nhiên liên tiếp để chọn ra 6 số ngẫu nhiên không trùng duy nhất và tăng dần trong dãy số trên ?
#Để chọn ra 6 số ngẫu nhiên không trùng lặp và tăng dần từ dãy số đã cho, bạn có thể thực hiện các bước sau:
#1. Sắp xếp dãy số theo thứ tự tăng dần.
#2. Chọn 6 số ngẫu nhiên từ dãy số đã sắp xếp.
#Dưới đây là một hàm Python để thực hiện công việc này:
import random
def choose_random_numbers(sequence, k):
    sorted_sequence = sorted(sequence)  # Sắp xếp dãy số theo thứ tự tăng dần
    random_numbers = random.sample(sorted_sequence, k)  # Chọn ngẫu nhiên k số từ dãy số đã sắp xếp
    return random_numbers

sequence = [4,7,10,13,16,18,19,20,21,22,23,24,25,30,32,35,37,44]
k = 6
random_numbers = choose_random_numbers(sequence, k)
print(random_numbers)
# -->5.1.2024: Bấm 5 lần chọn: [35, 7, 13, 23, 25, 10]
# -->5.1.2024: Bấm 7 lần chọn A,B,D,E: [7, 25, 10, 23, 24, 13]

[20, 16, 44, 37, 22, 21]

4. Các Hàm thủ tục Thống kê và Phân tích Dữ liệu --> Analytics/Statistic Data

4.7. Một biểu đồ phân tán (scatter plot) với sự sử dụng của thư viện Matplotlib Mục đích chính của đoạn mã này là: - Tạo dữ liệu ngẫu nhiên: Đầu tiên, dữ liệu ngẫu nhiên được tạo ra với 3 chiều (x, y, scale). Biến x và y chứa các giá trị ngẫu nhiên từ danh sách đã cho, còn biến scale chứa các giá trị ngẫu nhiên từ danh sách đã cho nhưng được nhân với 3. - Tạo đồ thị: Một đối tượng hình ảnh (figure) và trục (axes) được tạo ra sử dụng hàm plt.subplots(). Kích thước của hình ảnh được thiết lập theo kích thước cửa sổ màn hình. Điều này đảm bảo rằng biểu đồ sẽ phù hợp với kích thước hiển thị trên màn hình. - Vẽ biểu đồ phân tán: Sử dụng hàm ax.scatter(), biểu đồ phân tán được vẽ với các điểm dữ liệu được xác định bởi các giá trị x, y và scale. Màu sắc của các điểm được xác định bởi scale và kích thước của các điểm được xác định bởi giá trị tuyệt đối của scale nhân với 3. - Thiết lập tiêu đề và nhãn trục: Tiêu đề của biểu đồ được đặt là "Some random data, created with JupyterLab!". Các nhãn trục x và y được thiết lập bằng cách sử dụng các giá trị duy nhất từ dữ liệu x và y. - Đặt tỉ lệ và lưới: Tỉ lệ của trục y được đặt là 'auto', tạo ra một biểu đồ có tỉ lệ tự động. Lưới được thêm vào biểu đồ bằng cách sử dụng hàm plt.grid(). -Hiển thị biểu đồ: Cuối cùng, biểu đồ được hiển thị bằng cách sử dụng hàm plt.show(). -Tóm lại, đoạn mã trên được sử dụng để tạo ra một biểu đồ phân tán với dữ liệu ngẫu nhiên, mô tả các giá trị của x, y và scale. Mục đích của nó là trực quan hóa dữ liệu và hiển thị biểu đồ phân tán trên màn hình.

from matplotlib import pyplot as plt
import numpy as np

# Generate 100 random data points along 3 dimensions, ranging from 1 to 45
x = np.random.choice([2, 3, 5, 7, 11, 13, 17, 19, 23, 27, 31, 37, 41, 43], size=45)
y = np.random.choice([2, 3, 5, 7, 11, 13, 17, 19, 23, 27, 31, 37, 41, 43], size=45)
scale = np.random.choice([2, 3, 5, 7, 11, 13, 17, 19, 23, 27, 31, 37, 41, 43], size=45)

fig, ax = plt.subplots()

# Map each onto a scatterplot we'll create with Matplotlib
ax.scatter(x=x, y=y, c=scale, s=np.abs(scale)*10)
ax.set(title="Some random data, created with JupyterLab!")
plt.show()

CHỮ IN HOA VÀ ĐÂM

MARKDOWN TRONG JUPYTER NOTEBOOK

Đây là một đoạn văn bản viết hoa, đậm, kích thước font > 14pt, màu chữ đỏ, nền vàng.

Youtube:

Bạn có thể thay thế `https://example.com/iframe_url1` và `https://example.com/iframe_url2` bằng các URL iframe thực tế bạn muốn nhúng.`

Trong đó, `VIDEO_ID` là ID duy nhất của video YouTube bạn muốn nhúng. Bạn có thể sao chép liên kết nhúng từ YouTube bằng cách nhấp vào nút "Chia sẻ" dưới video và sau đó chọn "Nhúng".

#https://matplotlib.org/stable/plot_types/basic/scatter_plot.html
import matplotlib.pyplot as plt
import numpy as np

plt.style.use('_mpl-gallery')

# make the data
np.random.seed(3)
sequence = [7,10,13,16,18,19,20,21,22,23,25,35,44]
x = np.array(sequence)
y = 4 + np.random.normal(0, 1, len(x))
sizes = np.random.uniform(30, 80, len(x))
colors = np.random.uniform(30, 80, len(x))

indices = np.argsort(sizes)[-10:]
x = x[indices]
y = y[indices]
sizes = sizes[indices]
colors = colors[indices]

# set the figure size
fig = plt.figure(figsize=(8, 8))  # Adjust the width and height as needed

# plot
ax = fig.add_subplot(111)
ax.scatter(x, y, s=sizes, c=colors, vmin=0, vmax=100)

ax.set(xlim=(0, 50), xticks=np.arange(1, 46, 1),
       ylim=(0, 50), yticks=np.arange(1, 46, 1))

plt.show()

5. Các Hàm thủ tục nâng cao trong kiểm toán Thống kê và Phân tích Dữ liệu --> Analytics/Statistic Data:

- Rating đánh giá: - Xác định quan hệ giữa các số đã chọn theo chuỗi Thời gian - Mật độ Số đã chọn Desity - Xác định 7 số có khả năng

import numpy as np
import pandas as pd
import seaborn as sns
from matplotlib import pyplot as plt
df = pd.read_csv(r"C:\Python311\workspaces\m6B45.csv")
latest_date = '2024-02-07'
def analyze_lottery_numbers(df, latest_date):
    pd.set_option("display.max_rows", df.shape[0]+1)
    pd.set_option("display.max_columns", 60)
    numbers = ['S01', 'S02', 'S03', 'S04', 'S05', 'S06', 'S07', 'S08', 'S09',
               'S10', 'S11', 'S12', 'S13', 'S14', 'S15', 'S16', 'S17', 'S18', 'S19',
               'S20', 'S21', 'S22', 'S23', 'S24', 'S25', 'S26', 'S27', 'S28', 'S29',
               'S30', 'S31', 'S32', 'S33', 'S34', 'S35', 'S36', 'S37', 'S38', 'S39',
               'S40', 'S41', 'S42', 'S43', 'S44', 'S45']
    # Tạo một mảng màu tùy chỉnh với màu sắc tương phản rõ ràng
    custom_palette = ['#FF0000', '#00FF00', '#0000FF', '#FFFF00', '#FF00FF', '#00FFFF', '#FF8000', '#8000FF', '#00FF80',
                      '#808080', '#800000', '#008000', '#000080', '#808000', '#800080', '#008080', '#C0C0C0', '#FF8080',
                      '#80FF80', '#8080FF', '#FFFF80', '#FF80FF', '#80FFFF', '#FFBF00', '#BF00FF', '#00FFBF', '#A0A0A0',
                      '#BF0000', '#00BF00', '#0000BF', '#BFBF00', '#BF00BF', '#00BFBF', '#404040', '#400000', '#004000',
                      '#000040', '#404000', '#400040', '#004040', '#606060', '#400000', '#004000', '#000040', '#606000',
                      '#606040', '#004060', '#808080', '#004000', '#000040', '#400040']
    plt.figure(figsize=(12, 10))
    for i, number in enumerate(numbers):
        sns.scatterplot(data=df, y='Date', x=number, color=custom_palette[i], label=number)
    plt.grid()
    # Tạo biểu đồ màu sắc như thanh màu sắc bên cạnh biểu đồ chính
    color_legend = [plt.Line2D([0], [0], marker='o', color='w', markerfacecolor=custom_palette[i], markersize=10) for i in range(len(numbers))]
    plt.legend(color_legend, numbers, title='Numbers', loc='lower center', bbox_to_anchor=(0.5, -0.25), ncol=9)
    plt.show()
analyze_lottery_numbers(df, latest_date)

#Tập hợp 135 - 136 scores:
import random
def choose_random_numbers(sequence, k):
    sorted_sequence = sorted(sequence)  # Sắp xếp dãy số theo thứ tự tăng dần
    random_numbers = random.sample(sorted_sequence, k)  # Chọn ngẫu nhiên k số từ dãy số đã sắp xếp
    return random_numbers
sequence = [38,42]
k = 1
random_numbers = choose_random_numbers(sequence, k)
print(random_numbers)

#Tập hợp 139 scores:
import random
def choose_random_numbers(sequence, k):
    sorted_sequence = sorted(sequence)  # Sắp xếp dãy số theo thứ tự tăng dần
    random_numbers = random.sample(sorted_sequence, k)  # Chọn ngẫu nhiên k số từ dãy số đã sắp xếp
    return random_numbers
sequence = [17]
k = 0
random_numbers = choose_random_numbers(sequence, k)
print(random_numbers)

#Tập hợp 141 - 143 scores:
import random
def choose_random_numbers(sequence, k):
    sorted_sequence = sorted(sequence)  # Sắp xếp dãy số theo thứ tự tăng dần
    random_numbers = random.sample(sorted_sequence, k)  # Chọn ngẫu nhiên k số từ dãy số đã sắp xếp
    return random_numbers
sequence = [3,12,14,15,32,34,36]
k = 1
random_numbers = choose_random_numbers(sequence, k)
print(random_numbers)

#Tập hợp 145 - 146 scores:
import random
def choose_random_numbers(sequence, k):
    sorted_sequence = sorted(sequence)  # Sắp xếp dãy số theo thứ tự tăng dần
    random_numbers = random.sample(sorted_sequence, k)  # Chọn ngẫu nhiên k số từ dãy số đã sắp xếp
    return random_numbers
sequence = [2,9,26,29,39,43,45]
k = 1
random_numbers = choose_random_numbers(sequence, k)
print(random_numbers)

#Tập hợp 148 scores:
import random
def choose_random_numbers(sequence, k):
    sorted_sequence = sorted(sequence)  # Sắp xếp dãy số theo thứ tự tăng dần
    random_numbers = random.sample(sorted_sequence, k)  # Chọn ngẫu nhiên k số từ dãy số đã sắp xếp
    return random_numbers
sequence = [8]
k = 0
random_numbers = choose_random_numbers(sequence, k)
print(random_numbers)

#Tập hợp 150 - 155 scores:
import random
def choose_random_numbers(sequence, k):
    sorted_sequence = sorted(sequence)  # Sắp xếp dãy số theo thứ tự tăng dần
    random_numbers = random.sample(sorted_sequence, k)  # Chọn ngẫu nhiên k số từ dãy số đã sắp xếp
    return random_numbers
sequence = [11,21,23,25,28,31,33,40,41]
k = 1
random_numbers = choose_random_numbers(sequence, k)
print(random_numbers)

#Tập hợp 158 - 161 scores:
import random
def choose_random_numbers(sequence, k):
    sorted_sequence = sorted(sequence)  # Sắp xếp dãy số theo thứ tự tăng dần
    random_numbers = random.sample(sorted_sequence, k)  # Chọn ngẫu nhiên k số từ dãy số đã sắp xếp
    return random_numbers
sequence = [1,6,13,16,18,20,22,27,35]
k = 1
random_numbers = choose_random_numbers(sequence, k)
print(random_numbers)

#Tập hợp 165 - 170 scores:
import random
def choose_random_numbers(sequence, k):
    sorted_sequence = sorted(sequence)  # Sắp xếp dãy số theo thứ tự tăng dần
    random_numbers = random.sample(sorted_sequence, k)  # Chọn ngẫu nhiên k số từ dãy số đã sắp xếp
    return random_numbers
sequence = [4,5,7,10,24,30,37]
k = 1
random_numbers = choose_random_numbers(sequence, k)
print(random_numbers)

#Tập hợp 178 scores:
import random
def choose_random_numbers(sequence, k):
    sorted_sequence = sorted(sequence)  # Sắp xếp dãy số theo thứ tự tăng dần
    random_numbers = random.sample(sorted_sequence, k)  # Chọn ngẫu nhiên k số từ dãy số đã sắp xếp
    return random_numbers
sequence = [19,44]
k = 1
random_numbers = choose_random_numbers(sequence, k)
print(random_numbers)

[42]
[]
[14]
[39]
[]
[33]
[6]
[37]
[19]

[38 ít thay đổi][17][15 it thay doi][2][8][28 it thay doi][35][10 it thay doi][44]
#3:[38 ít thay đổi][17][36][29][8][41][20][10 it thay doi][19]
 [42][][15 it thay doi][29][][31][20][24][44]
#7: [42][][14][2][8][28 it thay doi][22][10 it thay doi][19]
#9:[38 ít thay đổi][17][12][43][][23][6 it thay doi][24][44]
#11:[42][17 khong dung do duy nhat][14][39][8 khong dung do duy nhất][33][6 it thay doi][37 ít thay đổi][19]

import heapq

class Node:
    def __init__(self, value):
        self.value = value
        self.left = None
        self.right = None

def node_tree(node):
    pq = []
    
    # Chèn các nút vào Priority Queue
    def insert_nodes(node):
        if node is None:
            return
        heapq.heappush(pq, node.value)
        insert_nodes(node.left)
        insert_nodes(node.right)
    
    insert_nodes(node)
    
    # Xóa các nút từ Priority Queue và đặt lại vào cây
    def sort_nodes(node):
        if node is None:
            return
        node.value = heapq.heappop(pq)
        sort_nodes(node.left)
        sort_nodes(node.right)
    
    sort_nodes(node)

import pandas as pd
from sklearn.linear_model import LogisticRegression

# Đọc dữ liệu từ file CSV
df = pd.read_csv(r"C:\Python311\workspaces\m6b45_s1.csv")

# Chọn các cột cần sử dụng cho việc dự báo
features = ['S45']
target = ['id']

# Xây dựng mô hình hồi quy logistic
model = LogisticRegression()
model.fit(df[features], df[target])

# Dự báo khả năng S1 tăng lên 106 hoặc 107 cho các ngày tiếp theo
future_dates = ['68', '69','70','71']
X_future = pd.DataFrame({'S45': [147,148,149,150]})

predictions = model.predict(X_future)

# In kết quả dự báo
for date, prediction in zip(future_dates, predictions):
    print(f'Ngày {date}: Khả năng S45 tăng lên {prediction}')

Ngày 68: Khả năng S45 tăng lên 52
Ngày 69: Khả năng S45 tăng lên 53
Ngày 70: Khả năng S45 tăng lên 53
Ngày 71: Khả năng S45 tăng lên 53

C:\Python311\Lib\site-packages\sklearn\utils\validation.py:1183: DataConversionWarning: A column-vector y was passed when a 1d array was expected. Please change the shape of y to (n_samples, ), for example using ravel().
  y = column_or_1d(y, warn=True)

6. Hàm nâng cao Quadratic Comparison Method - QCM với ma trận giá trị chữ nhật

import pandas as pd
import matplotlib.pyplot as plt

def qcm_rectangle(matrix):
    ratings = []
    colors = []
    
    for i in range(2, matrix.shape[1]):
        rating = 0
        for j in range(2, matrix.shape[1]):
            if i == j:
                continue
            
            if matrix.iloc[:, i].sum() > matrix.iloc[:, j].sum():
                rating += 1
            elif matrix.iloc[:, i].sum() < matrix.iloc[:, j].sum():
                rating -= 1
        
        ratings.append(rating)
        
        if rating > 0:
            colors.append('green')
        elif rating < 0:
            colors.append('red')
        else:
            colors.append('gray')
    
    return ratings, colors

# Đọc dữ liệu từ file CSV vào DataFrame
df = pd.read_csv(r"C:\Python311\workspaces\m6b45_s1.csv")

# Gọi hàm QCM và lưu kết quả vào biến ratings và colors
ratings, colors = qcm_rectangle(df)

# Vẽ biểu đồ
plt.figure(figsize=(10, 6))
plt.bar(range(1, 46), ratings, color=colors)
plt.xlabel('Số')
plt.ylabel('Rating')
plt.title('Biểu đồ rating của các số từ S1 đến S45')
plt.show()

Chú thích:

• Cột màu xanh lớn hơn 0: Điều này biểu thị rằng các số hạng có mức độ biến đổi cao hơn so với các số hạng khác. Nó có thể được coi là một rating biến động khó lường, vì những số hạng này có xu hướng thay đổi nhiều trong thời gian. Khi một số hạng có rating dương lớn, điều này có thể đồng nghĩa với việc rủi ro cũng lớn do tính biến động cao của chúng.
• Cột biểu đồ âm, nhỏ hơn 0: Điều này chỉ ra rằng các số hạng có mức độ biến đổi thấp hơn so với các số hạng khác. Rating biến động ít, cho thấy sự ổn định và ít biến thiên trong các số hạng này. Khi một số hạng có rating âm, có thể hiểu là rủi ro cũng ít hơn do tính biến động thấp.
• Cột biểu đồ = 0:Cột biểu đồ = 0: Đây là trường hợp khi các số hạng có mức độ biến đổi trung bình và có sự kiểm soát được. Đây là trường hợp khi các số hạng có mức độ biến đổi trung bình và có sự kiểm soát được. Rating bằng 0 cho thấy tính ổn định với sự cân bằng giữa các số hạng. Tóm lại: biểu đồ QCM ma trận chữ nhật giúp chúng ta đánh giá mức độ biến động của các số hạng trong ma trận. - Các cột màu xanh lớn hơn 0 biểu thị cho biến động cao và rủi ro lớn, trong khi các cột màu đỏ nhỏ hơn 0 biểu thị cho biến động thấp và rủi ro ít. - Cột có rating bằng 0 thể hiện sự ổn định và kiểm soát được của số hạng.